Heart failure is a serious health problem that negatively impacts the quality of life and can lead to fatal consequences if left untreated. Early diagnosis and proper treatment can minimize these problems. In this study, a model was developed to measure the performances of machine learning (ML) methods in different categories for heart failure prediction. and performance analyses were performed on both categorical and general basis. Tree, meta and function categories, which include methods known to produce successful results in classification problems, were preferred as category and five methods from each category were used. In the experimental studies, the performance of the ML methods was measured using basic metrics and classification error metrics based on the confusion matrix. When the experimental results were evaluated categorically, the best performances were obtained with the Alternating Decision Tree (ADT) method in the tree category for the metrics except for Recall and False Negative Rate, the Logit Boost (LBST) method in the meta category for the metrics except for Area under the ROC curve (AUC), and the Radial Bases Function Classifier (RBFC) method in the function category for the metrics except for the Precision and False Positive Rate (FPR). When considered the results in terms of the performances of all methods, the RBFC method exhibited the best performance with values of 0.8725 for Accuracy, 0.9173 for Recall, 0.8885 for F-score, 0.0827 for FNR, and 0.1275 for Misclassification Rate (MCR). On the other hand, the ADT method showed the best performance in terms of Precision, AUC, and FPR metrics with values of 0.8718, 0.9300 and 0.1610, respectively.
Kalp yetmezliği yaşam kalitesini olumsuz etkileyen ve tedavi edilmediğinde ölümcül sonuçlar doğurabilen ciddi bir sağlık problemidir. Erken teşhis ve doğru tedavinin uygulanması bu problemleri en aza indirebilir. Bu çalışmada farklı kategorilerde yer alan makine öğrenmesi (MÖ) yöntemlerinin kalp yetmezliği tahminindeki performanslarını ölçmek için bir model geliştirilerek, kategorik ve genel olarak performans analizleri gerçekleştirilmiştir. Kategori temelinde sınıflandırma problemlerinde başarılı sonuçlar ürettiği bilinen yöntemleri içeren ağaç, meta ve fonksiyon kategorileri tercih edilmiş ve her kategoriden beş yöntem kullanılmıştır. Deneysel çalışmalarda MÖ yöntemlerinin performansı Karışıklık matrisine dayanan temel metrikler ile sınıflandırma hata metrikleri üzerinden ölçülmüştür. Deneysel sonuçlar kategorik olarak değerlendirildiğinde en iyi performansların ağaç kategorisinde Duyarlılık ve Yanlış Negatif Oranı (False Negative Rate (FNR) ) dışındaki metriklerde Alternatif Karar Ağacı (Alternating Decision Tree | ADTree (ADT)) yöntemi, meta kategorisinde ROC eğrisi altında kalan alan (Area under the curve (AUC)) dışındaki metriklerde Eklemeli Lojistik Regresyon (Additive Logistic Regression | LogitBoost (LBST)) yöntemi ve fonksiyon kategorisinde Kesinlik ve Yanlış Pozitif Oranı (False Positive Rate (FPR)) dışındaki metriklerde Radyal Temelli Fonksiyon Sınıflandırıcı (Radial Bases Function Classifier (RBFC)) yöntemi ile elde edildiğini göstermektedir. Sonuçlara tüm yöntemlerin performansları açısından bakıldığında Doğruluk, Duyarlılık, F-skor, FNR ve Yanlış Sınıflandırma Oranı (Misclassification Rate (MCR)) metrikleri açısından 0.8725, 0.9173, 0.8885, 0.0827 ve 0.1275 değerleri ile RBFC yönteminin, Kesinlik, AUC ve FPR metrikleri açısından 0.8718, 0.9300 ve 0.1610 değerleri ile ADT yönteminin en iyi performansa sahip olduğu görülmüştür.