Sürdürülebilir Kalkınma Amaçları

• 1

• Yüksek Lisans TeziAçık Erişim2025/r/kostu/11021
  Veri mahremiyetinin ve istatistiki özelliklerin korunmasında makine öğrenimi ile meta sezgisel yöntemlerin entegrasyonu

  Özgür Sağır

  Bu çalışma, sağlık verileri gibi hassas veri türlerinin gizliliğini koruma konusuna yenilikçi bir yaklaşım sunmaktadır. Geleneksel yöntemlerin veri analiz doğruluğunu düşürme eğilimi dikkate alınarak, makine öğrenimi ve meta sezgisel yöntemlerin entegrasyonu ile hem veri mahremiyetinin sağlanması hem de istatistiki özelliklerin bozulmadan korunması hedeflenmiştir. Çalışmada, genetik algoritmalar ve diferansiyel mahremiyet mekanizmaları temel alınarak sentetik hasta verileri üzerinde deneyler gerçekleştirilmiştir. Öncelikle, farklı epsilon değerleriyle gizlilik seviyeleri optimize edilmiş, ardından sınıflandırma algoritmaları ile veri analizi yapılmıştır. Ayrıca, Principal Component Analysis (PCA) kullanılarak veri boyutu düşürülmüş ve sonuçlar değerlendirilmiştir. Elde edilen sonuçlar, özellikle Laplace mekanizmasının sürekli ve kategorik verilere etkili bir şekilde gizlilik sağlayabildiğini ve genetik algoritmalarla optimize edilmiş parametrelerin doğruluk ve mahremiyeti dengelemede önemli bir rol oynadığını göstermiştir. XGBoost algoritması, entegre edilen veri setlerinde en yüksek doğruluk skorlarını elde etmiştir. Bu çalışma, literatüre, diferansiyel mahremiyet yöntemlerinin meta sezgisel algoritmalarla birleştirilmesi yoluyla, hassas veri türleri üzerinde daha güvenilir ve etkili analiz yöntemleri geliştirilmesine yönelik önemli katkılar sunmaktadır.

  İncele
• BildiriYalnız künye2024/r/kostu/10318
  Machine Learning Approaches to Predict Thyroid Cancer Recurrence: A Comparative Study

  Ozturk, Candide; Sagir, Ozgur; Vural, Ulas

  Thyroid cancer recurrences have significant impacts on patients' health. The current clinical methods have limited prediction accuracy because of inadequate incorporation of individual patient variability. Therefore, there is a need for advanced techniques that can help medical experts to make accurate and reliable predictions. Recent efforts on the topic are focused on machine learning algorithms. This study aims to assess the performance of these algorithms for predicting thyroid cancer recurrence. Four prediction models are trained using Gradient Boosting, Random Forest, XGBoost, and AdaBoost algorithms. The performances of the models are evaluated with metrics such as accuracy, F1 score, F-05 score, and area under the ROC curve (AUC). Experiments with the K-Fold (5-fold) method have revealed how effective these models can be in the prediction of thyroid cancer recurrence. The performance of the machine learning models was evalu-ated using accuracy, Fl-score, F05-score, and AUC score metrics. The XGBoost model outperformed others, achieving an accuracy of 95,3%, Fl-score of 91,8%, F05-score of 91,9%, and AUC score of 98,2%. These results show that machine learning-based solutions may contribute to incorporating more accurate and individualized treatment decisions in clinical practice.

  • 
  AtıfScopus6·OpenAlex6

  İncele