Makine öğrenmesi ve nitelik seçme yöntemleriyle Covid-19 tahmini

Bu tezin amacı, çeşitli makine öğrenme ve nitelik seçme yöntemlerini kullanarak yeni COVID-19 tahmin modelleri geliştirmektir. Çok Katmanlı Algılayıcı (MLP), Tree Boost (TB), Radyal Temel İşlev Ağı (RBF), Destek Vektör Makinesi (SVM) ve K-Ortalama Kümeleme (KMC) yöntemleri kullanılarak çeşitli regüler ve nitelik seçme tabanlı COVID-19 tahmin modelleri oluşturmuştur. Minimum fazlalık maksimum önem (mRMR) ve Relief-F algoritmaları nitelik seçme yöntemleri olarak seçilmiştir. Veri seti, 20.000 hasta (10.000 pozitif, 10.000 negatif) ile ilgili bilgileri içermektedir ve çeşitli kişisel, semptomatik ve asemptomatik değişkenlerden oluşmaktadır. Modellerin performansını değerlendirmek için doğruluk, kesinlik, hassaslık ve F1-skor metrikleri kullanılırken, modellerin genelleme hataları 10-katlı çapraz doğrulama kullanılarak değerlendirilmiştir. Sonuçlar, genel olarak MLP'nin COVID-19 enfeksiyonunu tahmin etmede diğer tüm ML sınıflandırıcılarından daha iyi performans sergilediğini göstermektedir. mRMR'nin ortalama performansının, bir hastanın COVID-19 enfeksiyonunu tahmin etmede Relief-F'e göre biraz daha iyi olduğu gözlemlenmiştir. Ateş, öksürük ve baş ağrısı gibi semptom temelli değişkenler, COVID-19 enfeksiyonunun en önemli belirleyicileri olarak bulunmuştur.