Destek vektör makineleri parametrelerinin meta sezgisel yöntemler ile optimizasyonu ve parkinson hastalığı veri seti üzerinde uygulanması

Dopamin hücresinin zamanla azalması ve yetersiz kalması sonucunda parkinson hastalığı ortaya çıkar. Bu azalma yaşa bağlı olarak değişir. Dünya nüfusunun gittikçe yaşlandığı gerçeği dikkate alındığında bu hastalık ilerleyen yıllarda artabilir. Bu hastalık için kesin bir teşhis yöntemi olmamakla birlikte hasta uzun bir süre takip altında tutulur ve sonrasında parkinson hastalığı tanısı konulabilir. Bu tez çalışmasında parkinson hastalarının tespit edilebilmesi için Destek Vektör Makineleri (DVM) ile sınıflandırma yapılmıştır. DVM'de bulunan parametrelerin seçimi oldukça önemlidir. Hatalı parametre seçimi DVM'nin sınıflandırma başarısını etkilemektedir. Bu yüzden son yıllarda literatürde meta sezgisel yöntemler yoğun bir şekilde kullanılmış ve başarılı sonuçlar elde edilmiştir. Bu çalışmada Yarasa Algoritması (YA), İyileştirilmiş Kaotik Parçacık Sürü Optimizasyonu (İKPSO), İyileştirilmiş Genetik Algoritma (İGA) ve Armoni Arama Algoritması (AAA) kullanılarak DVM optimizasyon modelleri oluşturulmuştur. Çalışmadaki deneyler UCI (Machine Learning Repository of University of California at Irvine) veri tabanından alınan iki farklı parkinson hastalığı veri seti üzerinde yapılmıştır ve bu veri setleri Parkinson 1 ve Parkinson 2 şeklinde isimlendirilmiştir. Elde edilen sonuçlar doğruluk, duyarlılık, seçicilik, kesinlik ve F1 skor değerlendirme ölçütleri kullanılarak karşılaştırılmıştır. DVM çekirdek fonksiyonlarından RBF, lineer ve polinom çekirdek fonksiyonu kullanılmıştır. İki veri setinde de genel olarak RBF çekirdek fonksiyonu en başarılı performansa sahiptir. Parkinson 1 ve Parkinson 2 veri setlerinde en iyi doğruluk sonuçları sırasıyla %88,75 ile İKPSO-DVM ve %95.422 ile YA-DVM modellerine aittir. Literatür karşılaştırmaları önerilen modellerin bazı çalışmalardan daha iyi, bazı çalışmalar ile de rekabet edebilecek seviyede olduklarını göstermiştir.