Uç öğrenme makinesi sınıflandırıcılarının tıbbi veri kümeleri üzerindeki performans karşılaştırması

Makine öğrenimi süreci iki ana aşamaya ayrılır: sınıflandırma algoritmik programının öğretildiği öğrenme aşaması ve algoritmik programın yeni verileri etiketlediği sınıflandırma aşaması. Denetimli öğrenme olarak da bilinen sınıflandırma olarak bilinen veri işleme tekniği, bilgileri önceden belirlenmiş gruplara ve kategorilere ayırır. J48 Karar Ağacı, Yapay Nötr Ağ (YSA), Aşırı Öğrenme Makinesi (ELM) ve diğer önemli topluluk makine öğrenimi sınıflandırıcıları, incelemekte olduklarımızdır. ELM, tek gizli katmanlı ileri beslemeli sinir ağlarından gelişen regresyon ve sınıflandırma sorunları için yeni bir alandır. Bu tezde, üç ana sınıflandırıcıyı (ELM, J48 ve ANN) tıbbi veri kümelerine uygulamak için aktivasyon fonksiyonları kullanılacaktır. Diyabet, hepatit ve diğer tıbbi durumlar bu veritabanlarına dahil edilmiştir. ELM sınıflandırıcısı, sağlıklı ve sağlıksız özelliklerle sağlanır. ELM ayrıca logaritmik sigmoid ve tanjant sigmoid dahil olmak üzere belirli etkinleştirme işlevlerinden en yüksek sınıflandırma performansını elde etmek için yapılmıştır. Bilgi teorisine dayalı karar ağaçlarının kullanımı ile J48 algoritması sınıflandırma yapar. Bu, Ross Quinlan'ın Weka'da J48 olarak adlandırılan ve Java'dan sonra adlandırılan eski ID3 algoritmasının geliştirilmiş halidir. C4.5'in sınıflandırma için kullanılan karar ağaçları üretmesi nedeniyle, SVM'ye genellikle istatistiksel sınıflandırıcı denir. C4.5 algoritmik kuralı (J48) genellikle klinik verileri yorumlayarak koroner kalp hastalığını tanımlama, e-yönetişim için bilgileri kategorilere ayırma ve çok daha fazlası gibi çeşitli alanlardaki bilgileri kategorize etmek için kullanılır. Bilgisayar dünyasında, bir kişinin beynini oluşturan nöronlar ağını kopyalamaya çalışmak için yapay bir sinir ağı geliştirildi, böylece bilgisayarlar bilgiyi kavramayı ve insan benzeri bir şekilde seçim yapmayı seçebildi. Programcılar, bilgisayarların birbirine bağlı beyin hücreleri ağı gibi çalışmasını, dolayısıyla hayali sinir ağı olmasını isterler. Hafif ila şiddetli hastalık güçlükleri olan hastalardan oluşan ücretsiz bir çevrimiçi veri kümesinin kullanılmasıyla, 900 ila 1000 arasında değişen bir tıbbi veri kümesi için ELM, Sigmoid, Relu ve diğer sınıflandırıcıları kullanacağız.