HASTALIK TEŞHİSİ İÇİN ÇOK-AMAÇLI GENETİK ALGORİTMA KULLANARAK ÇOKLU-BULANIK SINIFLANDIRICILARIN GELİŞTİRİLMESİ

Abstract

Semra GÜNGÖRFIRAT ÜN VERS TESFEN B L MLER ENST TÜSÜB LG SAYAR MÜHEND SL ĞY.L SANS?Hastalık Teşhisi çin Çok-Amaçlı Genetik Algoritma Kullanarak Çoklu-BulanıkSınıflandırıcıların Geliştirilmesi?Bu tezde, hastalık teşhisi için çok amaçlı genetik algoritmalar kullanılarak bir veri madenciliğiyöntemi olan çoklu-bulanık sınıflandırıcılar geliştirilmiştir. Çok-amaçlı genetik algoritmaların diğerklasik yaklaşımlardan üstünlüğü, bu tezde sınıflandırıcıları temsil eden birçok optimum çözümler birtek yazılım koşturmasıyla elde edilebilir. Yani, sadece bir defa eğitim örüntülerine çok-amaçlı genetikalgoritma uygulanarak çoklu-sınıflandırıcılar elde edilmektedir.Önerilen metodun temel avantajı, sınıflandırma doğruluğunun maksimize edilmesi, kuralsayısının minimize edilmesi ve toplam uzunluğun minimize edilmesi gibi çelişen amaçlar için çoksayıda bulanık sınıflandırıcılar elde etmektir.yi bilinen ve nicel nesnelere sahip iki medikal veri kümesi olan hepatit ve diyabetle elde edilendeneysel sonuçlar test verileri üzerinde yüksek sınıflandırma doğruluğunu gösterir.Semra GÜNGÖRFIRAT UNIVERSITYGRADUATE SCHOOL OF NATURAL AND APPLIED SCIENCESDEPARTMENT OF COMPUTER ENGINEERINGMASTERS?Development Of Multi-Fuzzy Classifiers Using Multi-Objective Genetic Algorithm ForMedical Diagnosis?In this thesis, data mining based multi-fuzzy classifiers are developed by using multi-objectivegenetic algorithms for medical diagnosis. The superiority of multi-objective genetic algorithms overclassic approaches is that many non-dominated solutions, which represent classifiers in this thesis, canbe obtained by their single run. That is, multiple classifiers are obtained by applying an multi-objective genetic algorithm to training pattern just once.The main advantage at our method is that a large number of tradeoff fuzzy classificationsystems can be extracted with respect to conflicting objectives: accuracy maximization, ruleminimization and total length minimization.Experimental results conducted on two well-known medical data set having quantitativeattributes, hepatitis and diabetes, demonstrate that high classification performance on test pattern canbe obtained from the non-dominated fuzzy classifier.