TIBBİ VERİ KÜMELERİ ARASINDAKİ BİRLİKTELİK KURALLARININ ÇOK AMAÇLI GENETİK ALGORİTMA İLE ÇIKARILMASI

Abstract

Tıbbi verilerin hacimlerinin artması nedeniyle bu verilerden bilgi çıkarmak oldukça zorlaşır. Günümüzde çok büyük miktarda bilgi sürekli bir biçimde hastaların fizyolojik parametreleri gözlemlenerek toplanılmaktadır. Artan veri miktarları tıp uzmanları tarafından yapılan manüel analizleri bıktırıcı ve bazen imkansız birer görev haline getirmiştir. Analiz yapanlar, potansiyel olarak faydalı olabilecek bazı bilgilerin farkına varamayabilmektedir. Veri miktarında meydana gelen hızlı artış sonucu faydalı bilginin çıkarımı konusunda otomatikleştirilmiş bir yola ihtiyaç duyulur. Bu problem için kullanılan yaklaşımlardan biri veritabanları üzerinde bilgi keşfi veya veri madenciliği yöntemidir.Bu tezin amacı, şizofreni hastalığına ait tıbbi verilerden çok amaçlı genetik algoritma kullanarak bağıntı ve sınıflandırma kurallarını çıkarmaktır. Bağıntı ve sınıflandırma kuralları özellikle tıbbi teşhis alanında uygulanan tıbbi problemler için faydalıdır. Bu tip kurallar tıbbi uzmanlar tarafından doğrulanabilir ve bu durum mevcut problemin daha iyi anlaşılmasını sağlar.Son on yılda veri madenciliğinde kural keşfi üzerine pek çok teknik uygulanmıştır. Bu tekniklere örnek olarak uzman sistemler, yapay sinir ağları, veritabanı sistemleri ve evrimsel algoritmalar verilebilir. Evrimsel algoritmalar doğal evrim sürecinden esinlenerek geliştirilen hesapsal tekniklerin bir sınıfıdır. Doğal evrim süreci, gerçek hayatta karşılaşılan problemleri çözmek için doğal seçim ve en iyinin hayatta kalması mekanizmalarını örnek alır. Çok amaçlı evrimsel algoritmalar, kıyaslanamayan ve çoğunlukla rekabet halinde olan amaçların eş zamanlı optimizasyonu ile uğraşır.Bu tezdeki amaç, çok amaçlı genetik algoritma kullanarak sınıflandırma ve birliktelik kurallarını etkin bir şekilde bulmaktır. Bu maksatla şizofreni hastalarının sosyodemografik ve biyokimya verilerine uygulanan yöntem, suç işleme durumları dikkate alındığında sosyodemografik verilere daha bağımlı olduğu gözlenmiştir.

Medical data are facing a challenge of knowledge discovery from the growing volume of data. Nowadays enormous amounts of information are continuously collected by monitoring physiological parameters of patients. The growing amounts of data has made manual analysis by medical experts a tedious task and sometimes impossible. Many hidden and potentially useful relationships may not be recognized by the analyst. The explosive growth of data requires an automated way in order to extract useful knowledge. One of the possible approaches of this problem is data mining or knowledge discovery from databases. Through data mining, interesting knowledge and regularities can be extracted and the discovered knowledge can be applied in the corresponding field to increase the work efficiency and in order to improve the quality of decision making. The objectives of the thesis are to extract association and classification rules from the schizophrenia medical data. Association and classification rules are typically useful for medical problems which have been massively applied particularly in the area of medical diagnosis. Such rules can be verified by medical experts and provide better understanding of the problem in-hand. Numerous techniques have been applied to rule discovering in data mining over the past decades, such as expert systems, artificial neural networks, linear programming, database systems and evolutionary algorithms. Among these approaches, the evolutionary algorithms have been emerged as promising techniques in dealing with the increasing challenge of data mining in medical area. The evolutionary algorithm is a class of computational techniques inspired by the natural evolution process that imitates the mechanism of the natural selection and survival-of-the-fittest in solving real life problems.In this thesis, the aim is to discover classification and association rules via multi-objective evolutionary algorithms. Contrary to single-objective ones, multi-objective evolutionary algorithms deal with simultaneous optimization of several incommensurable and often competing objectives.