Logo Zehra Nur Kaya

>_ Akademik Çalışmalar

Thyroid Disease Classification with Machine Learning

Çalışmanın Özeti & Problem Tanımı (Abstract)

Tiroid bezinin hormon üretim ve düzenleme bozukluklarını içeren tiroid hastalıkları (hipotiroidizm, hipertiroidizm vb.), dünya genelinde milyonlarca insanı etkileyen yaygın bir endokrin problemidir. Hastalığın etkili tedavisi ve yönetimi için erken ve doğru teşhis kritik bir öneme sahiptir.

Bu çalışmada, UCI Machine Learning Repository üzerinden temin edilen Tiroid Hastalığı veri seti üzerinde ikili (binary) sınıflandırma problemi ele alınmıştır. Çok sınıflı orijinal problem; klinik tarama uygulamalarına uyarlanabilirliği artırmak amacıyla ikili sınıfa (0: Sağlıklı, 1: Hasta) dönüştürülmüş; 6 farklı makine öğrenmesi algoritması (Random Forest, Destek Vektör Makineleri - SVM, Yapay Sinir Ağları - ANN, K-En Yakın Komşu - KNN, Naive Bayes ve Lojistik Regresyon) farklı varyantlar ve hiperparametre optimizasyonlarıyla eğitilerek kapsamlı bir şekilde karşılaştırılmıştır.

Veri Seti & Ön İşleme Aşamaları (Materials & Methods)

Çalışmada kullanılan veri seti yaş, cinsiyet ve hormon seviyeleri gibi kritik klinik faktörleri içermektedir. Ham veriler üzerinde uygulanan sistematik ön işleme adımları şunlardır:

  • Eksik Veri Tamamlama: Sayısal değişkenler medyan (median) değeri ile, kategorik değişkenler ise en sık tekrar eden (mode) değer ile doldurulmuştur.
  • Normalizasyon: Sayısal değişkenler MinMaxScaler yöntemi ile ölçeklendirilmiştir.
  • Kategorik Kodlama: Kategorik değişkenler One-Hot Encoding yöntemiyle sayısal vektörlere dönüştürülmüştür.
  • Veri Dağılımı: Ön işleme sonucunda elde edilen temiz veri seti 9.172 örnek ve 54 öznitelikten oluşmaktadır (6.771 Sağlıklı [Sınıf 0], 2.401 Hasta [Sınıf 1]).
  • Veri Dengeleme (SMOTE): Sınıf dengesizliğini gidermek amacıyla azınlık sınıfı SMOTE (Synthetic Minority Over-sampling Technique) yöntemiyle dengelenmiştir.

Uygulanan Makine Öğrenmesi Modelleri & Yöntemler

  • Random Forest (En Başarılı Model)

    GridSearchCV ile n_estimators, max_depth, min_samples_split parametreleri optimize edilmiş; 0.55 karar eşiği optimizasyonu ile %95.04 Doğruluk ve 0.9084 F1-Skoru elde edilmiştir.

  • Support Vector Machines (SVM)

    K-Fold çapraz doğrulama ile eğitilen SVM modeli, en yüksek duyarlılık (Recall) değerine ulaşarak klinik taramada hasta bireylerin gözden kaçırılmasını minimize etmiştir.

  • Yapay Sinir Ağları (ANN)

    Çok katmanlı mimari ile eğitilen ANN modeli, %86–87 bandında Doğruluk ve F1 skoru sergileyerek karmaşık veri örüntülerini yakalama başarısını kanıtlamıştır.

  • KNN, Naive Bayes & Lojistik Regresyon

    SMOTE dengeli KNN modeli yüksek hassasiyet (Precision) sağlarken; Naive Bayes ve Lojistik Regresyon temel referans (baseline) modeller olarak karşılaştırmaya dahil edilmiştir.

Sonuçlar & Klinik Değerlendirme (Results & Discussion)

Model performansları topluca değerlendirildiğinde:

Model Öne Çıkan Özellik / Yöntem Genel Başarı Durumu
Random Forest SMOTE + GridSearchCV + Eşik Ayarı (0.55) En Yüksek Başarı (%95 Doğruluk, 0.908 F1)
SVM (K-Fold) K-Fold Çapraz Doğrulama En Yüksek Duyarlılık (Klinik Recall)
ANN (Yapay Sinir Ağları) Çok Katmanlı Algılayıcı Güçlü Doğrusal Olmayan Öğrenme
KNN SMOTE Dengeli Mesafe Sınıflandırması Yüksek Hassasiyet (Precision)

Sonuç: Random Forest modeli, dengesiz sınıf dağılımına sahip medikal veri setinde genel sınıflandırma başarısı (F1-Skoru ve Doğruluk) açısından en uygun sınıflandırıcı olarak belirlenmiştir. Erken teşhisin ve hastaları kaçırmamanın kritik olduğu senaryolarda ise SVM (K-Fold) güçlü bir alternatif model olarak öne çıkmaktadır.