Makine öğrenimi için ayırıcı gizlilik

Bu çalışma, Antalya Bilim Üniversitesi'nde yürütülen bir deneyi incelemektedir. Hastalık riskini tahmin etmek için makine öğrenimi algoritmalarını kullanmak, sağlık hizmetlerinde hasta sonuçlarını ve erken teşhisi iyileştirmek için umut verici bir yoldur ve hastalık riskini tahmin etmek, sağlık hizmetlerinde hasta sonuçlarını ve erken teşhisi iyileştirmek için umut verici bir yoldur.Sonuçlarımız, karışıklık matrisleri ve ilgili doğruluk puanlarını kullanarak altı makine öğrenimi modelinin üst düzey karşılaştırmalı görselleştirmesini sağlar. Değerlendirilen modeller Lojistik Regresyon, Rastgele Orman, K-En Yakın Komşular (KNN), Naif Bayes, Karar Ağacı ve Destek Vektör Makinesi'dir (SVM). Karışıklık matrisleri, dört ayrı sınıf için gerçek ve öngörülen sınıflandırmaların dökümünü göstererek her modelin performansını görüntüler.Her model, örnekleri bu sınıflara doğru şekilde sınıflandırma yeteneği açısından değerlendirilir ve her karışıklık matrisinin köşegeni doğru tahminleri (gerçek pozitifler ve gerçek negatifler) temsil eder. Matrislerdeki renklerin yoğunluğu, her kategorideki tahminlerin yoğunluğunu gösterir. Her matrisin üstünde, modelin genel doğruluğu görüntülenir ve bu, tüm veri kümesindeki doğru tahminlerin yüzdesini niceliksel olarak belirtir. Bu görsel karşılaştırma, yalnızca her algoritmanın doğruluğunu vurgulamakla kalmaz, aynı zamanda yapılan hata türlerine (benzer sınıflar arasındaki yanlış sınıflandırmalar gibi) ilişkin daha derin içgörüler de sağlar. Sonuçlar, tüm modeller nispeten yüksek doğruluk elde ederken, SVM ve KNN gibi belirli modellerin genel hassasiyet açısından diğerlerinden biraz daha iyi performans gösterdiğini ve belirli sınıf kategorilerindeki yanlış sınıflandırmaları en aza indirdiğini göstermektedir.