Comparative Analysis of Optimization-Based Feature Selection and Machine Learning Methods for Classification of Cardiovascular Diseases
Kalp Damar Hastalıklarının Sınıflandırılması için Optimizasyon Tabanlı Özellik Seçimi ve Makine Öğrenmesi Yöntemlerinin Karşılaştırmalı Analizi
Özet
Günümüzde, veri analizi ve sınıflandırmadaki gelişmeler, karmaşık veri kümelerinin verimli bir şekilde işlenmesini mümkün kılmaktadır. Özellikle, kalp damar hastalıkları verileri, hastalıkları ayırt etmek için çok sayıda özellik içermektedir. Makine öğrenmesi ve optimizasyon yöntemleri, bu verileri daha anlamlı hale getirmek için çok önemlidir. Bu çalışmada, başlangıçta “Kalp Damar Hastalığı” veri kümesinin tüm özellikleri sınıflandırma için kullanılmış, ikinci aşamada ise optimizasyon yöntemleri kullanılarak özellik seçimi yapılmış ve makine öğrenmesi yöntemleri kullanılarak sınıflandırma gerçekleştirilmiştir. Sonuçlar daha sonra karşılaştırılmıştır. Tüm özelliklerle Destek Vektör Makinesi kullanılarak sınıflandırma yapıldığında, %96 Doğruluk, %96,24 Hassasiyet, %95,60 Duyarlılık ve %95,88 F1 Puanı elde edilmiştir. Özellik seçimi ABC yöntemiyle yapıldığında ve sınıflandırma K-En Yakın Komşu algoritmasıyla gerçekleştirildiğinde, %97,50 doğruluk, %97,91 hassasiyet, %97,05 duyarlılık ve %97,42 F1 puanı elde edilmiştir. Bu yöntemlerin birleştirilmesi, karmaşık veri kümelerinde daha az özellik kullanarak daha yüksek doğruluk ve performans elde etmek için yeni bir bakış açısı sunmaktadır.
Anahtar Kelimeler:
Optimizasyon Yöntemleri; Makine Öğrenme Teknikleri; Yapay Arı Kolonisi; Parçacık Sürü Optimizasyonu; Destek Vektör Makinesiİndirmeler
İndir
Yayınlanmış
Sürüm
- 19.10.2026 (2)
- 18.10.2026 (1)
Sayı
Bölüm
Kategori
Nasıl Atıf Yapılır
Lisans
Telif Hakkı (c) 2026 Bayram Köse

Bu çalışma Creative Commons Attribution 4.0 International License ile lisanslanmıştır.
Key Points of CC BY 4.0
- Attribution Requirement: Others can share, adapt, and use the work, even commercially, as long as they credit the original author(s) and the journal (JQTAIR) as the source.
- Flexibility in Usage: This license maximizes dissemination, as anyone can use the research in new projects, derivative works, or even commercial applications.
- Global and Broad: The 4.0 version is legally global, compatible with other open-access content, and widely accepted by institutions and funders worldwide.
- Freedom to Remix and Adapt: Researchers, educators, and industry professionals can freely build upon the work, encouraging collaboration and innovative uses in various fields.
Attribution Requirement for Users
To comply with CC BY 4.0, anyone who uses, shares, or builds upon the journal’s work must include:
- The title of the work.
- A link to the full text (ideally hosted on JQTAIR’s site or repository).
- Credit to the original authors and the journal (e.g., “Published by JQTAIR” or “Original work by [Author Name], published in JQTAIR”).