Akademik Veri Yönetim Sistemi
Bilgisayar Bilimleri ve Mühendisliği Dergisi, cilt.16, sa.1, ss.23-33, 2023 (Hakemli Dergi)
Günümüzde verilerin hızla artmasıyla makine öğrenmesi yöntemleri ile veri analizi birçok alanda popüler hale gelmiştir. Gerçek dünya veri kümelerinde eksik değerler ve dengesiz sınıf verileri sıklıkla karşılaşılan sorunlardır. Bu sorunlar, makine öğrenmesi yöntemlerinin başarımlarını olumsuz yönde etkilemekte ve modelin hatalı veya yanlış sonuçlar elde etmesine neden olmaktadır. Verilerdeki eksik değerlerin doldurulması ve sınıf dengesizliğinin ortadan kaldırılması veri ön işleme aşamasında önem arz etmektedir. Özellikle, sağlık verilerinde sınıfların dengesi verilerin doğruluğu ve eksiksizliği makine öğrenmesi yöntemlerinin performansını etkilediğinden çok önemlidir. Bu makalede, makine öğrenmesinde eksik değerlerlere sahip dengesiz veri sınıflandırması ile ilgili sorunları araştırmak için literatürde başarılı olan yöntemlerin karşılaştırmalı bir çalışması PIMA diyabet veri kümesi kullanılarak yapılmıştır. Elde edilen sonuçlara göre sınıf dengesizliği probleminin üstesinden gelinmesinde SMOTE ve türevlerinin geleneksel yöntemlere göre daha başarılı olduğu görülmüştür. Veri kümelerinde eksik değerlerin doldurulmasında zincirleme denklemlerle çoklu atama yönteminin diğer yöntemlere göre daha üstün olduğu elde edilen sonuçlar arasındadır. Ayrıca, sınıf dengesizliğinde eksik ve aşırı örnekleme yöntemlerinin birleştirildiği SMOTEENN algoritması ile eksik değerlerde zincirleme denklemlerle çoklu atama yönteminin kullanılması hasta ve sağlıklı bireylerin sınıflandırılmasında %90 F-skor değeri ile oldukça başarılı olduğu görülmüştür.
Today, with the rapid increase in data, data analysis with machine learning methods has become popular in many areas. Missing values and imbalanced class data are common problems in real-world datasets. These problems negatively affect the performance of machine learning methods and cause the model to obtain erroneous or incorrect results. The missing values imputation and eliminating the class imbalance are important in the data preprocessing stage. In particular, the balance of classes in health data is very important as the accuracy and completeness of the data affect the performance of machine learning methods. In this article, a comparative study of successful methods in the literature for investigating problems with imbalanced data classification with missing values in machine learning was conducted using the PIMA diabetes dataset. According to the results, it has been seen that SMOTE and its derivatives are more successful than traditional methods in overcoming the class imbalance problem. It is among the results that the multiple imputation with chained equations is superior to other methods in filling in the missing values in the datasets. In addition, the SMOTEENN algorithm, which combines undersampling and oversampling methods in class imbalance, and the use of multiple imputation with chained equations for missing values, were found to be quite successful with an F-score value of 90% in the classification of patient and healthy individuals.