Gri kurt meta-sezgisel algoritması ve rastgele orman sınıflandırma algoritmalarını birleştirerek koroner kalp hastalığı tanısının doğruluğunun artırılması

Abstract

Son yıllarda kalp-damar hastalıkları, dünya genelinde en önemli ölüm nedenlerinden biri haline gelmiştir. Günümüzde kalp hastalıklarının yüksek prevalansı nedeniyle, bu hastalıkların doğru ve kesin teşhisi için risk faktörlerinin belirlenmesi ve bu faktörlerin etkilerinin incelenmesi büyük önem taşımaktadır. Bu çalışmada, gri kurt optimizasyon algoritması ve rastgele orman kombinasyonu kullanılarak koroner kalp hastalığı teşhis edilmektedir. Önerilen yöntem, özellik seçimi ve sınıflandırma olmak üzere iki ana aşamayı içermektedir. Sınıflandırıcı algoritma olarak rastgele orman algoritması tercih edilmiştir, zira elde edilen sonuçlar, rastgele orman algoritmasının büyük veri kümeleri için üstün performans sergilediğini göstermektedir. Ayrıca, veri kümesi üzerinde uygunluk fonksiyonunu kullanarak optimal özellik alt kümesini belirlemek için gri kurt algoritması uygulanmıştır. Özellik seçimi için gri kurt algoritmasının kullanımı, rastgele orman sınıflandırma algoritmasının performansını artırmıştır. Gri kurt algoritmasının uygunluk fonksiyonunun performansı, rastgele orman algoritması ile değerlendirilmiştir. Önerilen yöntem, Cleveland kalp hastalığı veri seti kullanılarak test edilmiştir. Deneysel sonuçlar, önerilen algoritmanın, tek başına rastgele orman algoritması ile karşılaştırıldığında tahmin doğruluğunu yaklaşık %3 oranında artırdığını göstermiştir. Ayrıca, literatürdeki son çalışmalarla karşılaştırıldığında, gri kurt ve rastgele orman algoritmalarının birleşimi, Cleveland veri seti üzerinde diğer algoritmalarla karşılaştırıldığında %4,5'lik bir performans artışı sağlamıştır. Yöntemimiz, diğer algoritma kombinasyonları ile karşılaştırıldığında %97,93 kesinlik , %98,21 doğruluk ve %97,34 kapsama oranları elde etmiştir.

In recent years, cardiovascular diseases have become one of the most important causes of death in the world. Today, due to the high statistical population of heart diseases, identifying risk factors and paying attention to the effectiveness of these factors has led to accurate and correct diagnosis of this disease. In this thesis, the combination of gray wolf optimization algorithm and random forest is used to diagnose coronary heart disease. This proposed method includes two main stages of feature selection and classification. We use the random forest algorithm as the classifier algorithm because the results show that the random forest algorithm gives better results for large datasets. Also, the gray wolf algorithm has been used to select the subset of optimal features using the fitness function on the dataset. In fact, using the gray wolf algorithm for feature selection has improved the performance of the random forest classification algorithm. The performance of the fitness function of the gray wolf algorithm is evaluated using the random forest algorithm. The Cleveland heart disease dataset is used for the proposed method. The experimental results of the proposed algorithm are compared with the results of the random forest algorithm that is run alone on the data set, and the prediction accuracy is improved by nearly 3%. Also, in comparison with recent works, the combination of gray wolf and random forest algorithm is compared with other algorithms on the Cleveland dataset. Our proposed algorithm had a performance improvement of 4.5% compared to the combination of neural network algorithm and random forest algorithm. Our method excels by achieving 97.93% in accuracy, 98.21% in correctness and 97.34% in coverage compared to other combinations of algorithms.