EUVIMEDEUVIMED entdecken
Crossref

Diyabet hastalığı teşhisinde makine öğrenimi modelleri ile açıklanabilir yapay zeka yöntemlerinin analizi

Hakan Güler, Derya Avcı, Mustafa Ulaş, Tülay Omma

Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi · 21.08.2025 · 40 (3) · 1995-2012

DOI: 10.17341/gazimmfd.1552790 ↗

Kurz gefasst

Fachartikel in der Zeitschrift Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, online erschienen am 21.08.2025. Verfasst von Hakan Güler und 3 weiteren Autor:innen. Die Arbeit wurde bisher 4-mal zitiert (Crossref) und nennt 59 Literaturangaben.

AbstractBibliografische AngabenZitierenVerwandte Studien

Abstract (Originalsprache)

Sağlık sektöründe son yıllarda büyük veri kümelerinin artmasıyla birlikte, makine öğrenimi yöntemleri diyabet veri setlerinin keşfi, analizi ve tahmin süreçlerinde önemli bir rol oynamaya başlamıştır. Bu çalışmada, diyabetin erken teşhisine odaklanılmış ve çeşitli makine öğrenimi modellerinin performansı ile Açıklanabilir Yapay Zeka (XAI) tekniklerinin etkisi incelenmiştir. Diyabet veri seti üzerinde, K-En Yakın Komşular (KNN), Destek Vektör Makineleri (SVM), Naive Bayes, Yapay Sinir Ağları (YSA), Karar Ağaçları, Rastgele Orman ve XGBoost algoritmaları kullanılarak modellerin performansları karşılaştırılmıştır. Modellerin değerlendirilmesi, veri temizleme ve ön işleme aşamalarının ardından eğitim ve test süreçleriyle yapılmıştır. Bu değerlendirme sırasında doğruluk, F1 skoru, hassasiyet ve özgünlük gibi başarı kriterleri göz önünde bulundurulmuştur. En iyi sonuç veren modelin çıktılarına SHAP (Shapley Additive Explanations) ve LIME (Local Interpretable Model-Agnostic Explanations) gibi açıklanabilir yapay zeka yöntemleri uygulanarak, modelin verdiği kararların anlaşılabilirliği sağlanmıştır. Bu yöntemler, modelin en önemli özelliklerini belirleyip karar sürecini daha şeffaf hale getirir. Gerçek dünya uygulamalarında bu modellerin potansiyelini anlamak adına uzman görüşleriyle analiz sonuçları desteklenmiştir. KNN, SVM, Naive Bayes, YSA, Karar Ağaçları, Rastgele Orman ve XGBoost algoritmaları sırasıyla %81.18, %75.38, %75.49, %74.83, %76.91, %91.68 ve %98.91 doğruluk oranlarıyla değerlendirilmiştir.

Zitieren

APA

Güler, H., Avcı, D., Ulaş, M., & Omma, T. (2025). Diyabet hastalığı teşhisinde makine öğrenimi modelleri ile açıklanabilir yapay zeka yöntemlerinin analizi. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 40(3), 1995-2012. https://doi.org/10.17341/gazimmfd.1552790

Vancouver

Güler H, Avcı D, Ulaş M, Omma T. Diyabet hastalığı teşhisinde makine öğrenimi modelleri ile açıklanabilir yapay zeka yöntemlerinin analizi. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi. 2025;40(3):1995-2012. doi:10.17341/gazimmfd.1552790

BibTeX
@article{Gler2025,
  author = {Güler, Hakan and Avcı, Derya and Ulaş, Mustafa and Omma, Tülay},
  title = {Diyabet hastalığı teşhisinde makine öğrenimi modelleri ile açıklanabilir yapay zeka yöntemlerinin analizi},
  journal = {Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi},
  year = {2025},
  volume = {40},
  number = {3},
  pages = {1995--2012},
  doi = {10.17341/gazimmfd.1552790}
}
Kostenlos starten →