Prognozda ve tanıda lojistik regresyon ve neural network yaklaşımı: Epidemiyolojik veri setlerinde karşılaştırılmalı uygulamalar
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Çukurova Üniversitesi, Sağlık Bilimleri Enstitüsü, Temel Tıp Bilimleri, Türkiye
Tezin Onay Tarihi: 2004
Tezin Dili: Türkçe
Öğrenci: İlker Ünal
Asıl Danışman (Eş Danışmanlı Tezler İçin): HÜSEYİN REFİK BURGUT
Özet:ÖZET PROGNOZDA VE TANIDA LOJİSTİK REGRESYON VE NEURAL NETWORK YAKLAŞIMI: EPİDEMİYOLOJİK VERİ SETLERİNDE KARŞILAŞTIRMALI UYGULAMALAR Hastalık tanısı koymak (diagnoz) (veya hastalıkta prognozu etkileyen faktörleri saptamak) bir çok tıbbi araştırmanın amacı olmuştur. Bu alanda yapılan çalışmalarda çeşitli bir çok istatistiksel yönteme başvurulmuştur. Yanıt değişkeni ikili (binary) bir değişken ise lojistik regresyon modelleri veya tekrarlı bölme (recursive partitioning) yöntemleri, eğer yanıt değişkeni birden fazla seçeneği içeriyorsa çoklu lojistik regresyon modelleri standart yöntemler arasındadır. Bununla birlikte son zamanlarda Neural Networks yaklaşımı da bu yöntemlere eklenmiştir. Neural Networks yaklaşımı genellikle bir tahmin veya sınıflandırma ya da kontrol problemlerinde kullanılmaktadır. Bu tezde iki yöntem, performansları yönünden farklı büyüklük ve özellikteki örneklemlerde, karşılaştırılıp, hangi durumda hangi yöntemin kullanılması ile ilgili karar verilmeye çalışılmıştır. Bu karşılaştırmalar Lojistik Regresyon, Neural Networks ve Neural Networks' ün farklı bir uygulaması olan Genetik Algoritmalı Neural Networks sonuçlarını içermektedir. Performansın doğru ölçülebilmesi için farklı özelliklerde oluşturulan örneklemler eğitim ve test alt örneklemlerine bölünmüştür. Örneklemler büyüklüğüne göre büyük, orta ve küçük olmak üzere, astımlı öğrenci oranına göre 0.1, 0.2, 0.3, 0.4 ve 0.5 olmak üzere toplam 8 örneklemden oluşmuştur. Yöntemlerin karşılaştırılmasında, elde edilen Receiver Operating Characteristic (ROC) eğrileri altında kalan alanlar ve duyarlılık-seçicilik değerleri kullanılmıştır. Büyüklük farklılıklarına göre en yüksek alan değerleri, büyük veri setinin eğitim ve test örneklemlerinde 0.848 ve 0.825 ile Lojistik Regresyona, orta büyüklükteki veri setinin eğitim ve test örneklemlerinde 0.882 ve 0.735 ile Neural Networks'e ve küçük veri setinin eğitim örnekleminde 1.000 ile Genetik Algoritmalı Neural Networks'e, test örnekleminde ise 0.902 ile Lojistik Regresyona aittir. Ancak bu değerlerin güven aralıkları birbirlerini içerdiği için yöntemler arasında fark bulunamamıştır. Oran farklılıklarına göre ise tüm eğitim örneklemlerinde Genetik Algoritma yüksek değeri almıştır. Astımlı oranı 0.3 ve 0.3'ten yukarıda olan 3 örneklemdeki Genetik Algoritma eğitim sonuçları, güven aralıkları incelendiğinde, Lojistik Regresyon sonuçlarından daha iyidir. Tüm test örneklemlerinde ise Lojistik Regresyon daha yüksek alan değerleri almasına rağmen güven aralıklarına bakıldığında yöntemler arasında fark bulunamamıştır. Bu tez, eldeki verilere en iyi uyarlanmış model seçimi konusundaki kararın, aynı amaç için kullanılabilecek tüm analizlerin sonucuna bakılmadan verilemeyeceğini göstermiştir. Anahtar Sözcükler : Duyarlılık - Seçicilik, Genetik Algoritma, Lojistik Regresyon, Neural Networks, ROC Eğrileri. ıx