Makine Öğrenmesi İle Kalp Hastalıklarının Tespiti

Abstract

Kalp hastalığı, yaygınlığı ve yüksek ölüm oranları nedeniyle insan sağlığını tehdit etmektedir. Kalp hastalığını tahmin etmek, geleneksel yöntemler kullanarak karmaşık bir iştir. Son yıllarda, kalp hastalıklarını tahmin etmek için makine öğrenimi teknikleri kullanılmaktadır. Bu çalışma kapsamında StatLog Kalp Hastalığı veri seti üzerinde Karar Ağacı, Naive Bayes, Lojistik Regresyon, Destek Vektör Makineleri ve K-En Yakın Komşu makine öğrenme teknikleri kullanılarak kalp hastalıklarının tespitine ilişkin ilişkin karşılaştırmalı bir analiz sunulmaktadır. Veri setindeki etkin öznitelikleri seçmek için Mann Whitney U testi kullanılmıştır. Makine öğrenimi algoritmalarının sınıflandırma performansı, doğruluk, kesinlik, duyarlılık ve F1-skoru açısından değerlendirilmiştir. Destek Vektör Makineleri 96.3% doğruluk, 95.83% kesinlik, 95.83% duyarlılık ve 95.83% F1skoru ile çalışmanın en iyi tahmin oranına sahip algoritması olmuştur. Bu çalışmanın klinisyenlere kalp hastalığını erken evrede tespit etmede yardımcı olacağına inanmaktayız.

Heart disease threatens human health due to its prevalence and high mortality rates. Predicting heart disease is complicated task using traditional methods. In recent years, machine learning techniques have been utilized to predict heart diseases. In this study, a comparative analysis of heart disease detection is presented using Decision Tree, Naive Bayes, Logistic Regression, Support Vector Machines and K-Nearest Neighbor machine learning techniques on the StatLog Heart Disease dataset. Mann Whitney U test is utilized to select the influential features. The classification performance of machine learning algorithms was evaluated in terms of accuracy, precision, recall and F1 score. The Support Vector Machines was the algorithm with the best prediction rate of the study, with 96.3% accuracy, 95.83% precision, 95.83% sensitivity and 95.83% F1-score. We believe that this study will help clinicians detect heart disease at an early stage.