Show simple item record

dc.contributor.advisorKARAHAN, Sevilay
dc.contributor.authorÇİFTCİ, Aslı
dc.date.accessioned2018-07-26T11:31:59Z
dc.date.available2018-07-26T11:31:59Z
dc.date.issued2018-06-25
dc.date.submitted2018-06-25
dc.identifier.urihttp://hdl.handle.net/11655/4733
dc.description.abstractData mining is a method that is used to extract hidden, valuable, usable information among large amounts of data, and to support strategic decisions. Despite the fact that data mining is used in a variety of fields, it faces various challenges, especially in the field of health. The constant change of information in the health field, the excessive amount of non-structural data, and the presence of these data in different environments make it difficult to analyze data. It is thought that classification or clustering by 'Kohonen self-organization mapping method' in cases where classification or clustering problem is experienced will solve classification and clustering problem. The aim of this thesis is to theoretically introduce the 'Kohonen self-organization mapping method' used in data mining for classification and clustering purposes, to examine its properties, to classify/cluster the subtypes of psychotic diseases with related methods, to show its applicability of this method in case of necessity of classifying or clustering in health field. The thesis hypothesis is that the classification / clustering performance (accuracy rate, etc.) obtained as a result of this method will be higher than the other classical methods. In this thesis study, data of 268 psychotic individuals collected for the dissertation thesis named 'Factor structure in schizophrenia and other psychotic disorders' were used. Clustering and classification methods were analyzed using the R program. When the performance of the classification made by the Kohonen self-organization mapping method was evaluated, it was found that the classification performance was high. The clustering performance of the Kohonen self-organization mapping method on health data was investigated and the result of the Kohonen self-organization mapping method was compared with classical clustering methods (k-means method and hierarchical clustering method). Clustering performances were evaluated using clustering indexes. In terms of 4 different diagnostic groups, the results of Kohonen self-organization mapping method and other clustering methods were compared. It was seen that the success rate changes according to the diagnostic groups and indexes, and only in one index Kohonen self-organisation mapping map has better performance than the other methods.en
dc.description.sponsorshipH.Ü. Bilimsel Araştırma Projeleri Koordinasyon Birimitr_TR
dc.description.tableofcontentsİÇİNDEKİLER ONAY SAYFASI iii YAYIMLAMA VE FİKRİ MÜLKİYET BEYANI iv ETİK BEYAN SAYFASI v TEŞEKKÜR vi ÖZET vii ABSTRACT viii İÇİNDEKİLER ix SİMGELER VE KISALTMALAR xi ŞEKİLLER xii TABLOLAR xiii 1. GİRİŞ 1 2. GENEL BİLGİLER 5 2.1. Veri Madenciliği 5 2.1.1. Veri Madenciliği Süreci 6 2.1.2. Veri Madenciliği Modelleri (Teknikleri) 7 2.1.3. Tıbbi Veri 9 2.1.4. Tıbbi Veri Madenciliği 9 2.2. Kümeleme Analizi 10 2.2.1. Kümeleme Analizinin Aşamaları 11 2.2.2. Kümeleme Yöntemleri 12 2.3. Yapay Sinir Ağları 15 2.4. Kohonen Öz Örgütlemeli Haritalama Yöntemi 17 2.4.1. Kohonen Öz Örgütlemeli Haritalama Yönteminin Tanımı 19 2.4.2. Kohonen Öz Örgütlemeli Haritalama Yönteminin Yapısı 21 2.4.3. Kohonen Öz Örgütlemeli Haritalama Yönteminin Bileşenleri 24 2.4.4. Kohonen Öz Örgütlemeli Haritalama Yönteminin Adımları 24 2.4.5. Kohonen Öz Örgütlemeli Haritalama Yönteminin Algoritması 28 2.5. Ruh Sağlığı ve Bozukluğunun Tanımlanması 30 2.5.1.Ruh Sağlığı ve Bozukluklarının Sınıflandırılması 30 3. GEREÇ VE YÖNTEM 33 3.1. Kümeleme Analizi Sonuçlarını Değerlendirmek için Kullanılan İndeksler 35 4. BULGULAR 38 4.1. Kümeleme İndeks Sonuçları 44 4.2. Sınıflama Sonuçları 61 5. TARTIŞMA 70 6. SONUÇ ve ÖNERİLER 81 6.1. Sonuçlar 81 6.2. Öneriler 82 7. KAYNAKÇA 84 8. EKLER 97 EK-1: Global Değerlendirme Ölçeği (GAS/GAF) EK-2: Veri Toplama Formu EK-3 Pozitif ve Negatif Semptom Ölçeği (PANNS) EK-4 Pozitif Belirtileri Değerlendirme Ölçeği (SAPS) Ek-5 Negatif Belirtileri Değerlendirme Ölçeği (SANS) Ek-6 Etik Kurul Karar Örneği 9. ÖZGEÇMİŞ 107tr_TR
dc.language.isoturtr_TR
dc.publisherSağlık Bilimleri Enstitüsütr_TR
dc.rightsinfo:eu-repo/semantics/openAccesstr_TR
dc.subjectVeri madenciliğitr_TR
dc.subjectKümeleme analizitr_TR
dc.subjectKohonen Öz Örgütlemeli Haritalama Yöntemitr_TR
dc.subjectPsikotik Bozukluktr_TR
dc.titleKohonen Öz Örgütlemeli Haritalama Yöntemi ile Psikotik Hastalıkların Kümelenmesitr_TR
dc.typeinfo:eu-repo/semantics/masterThesistr_TR
dc.description.ozetVeri madenciliği; büyük miktarda veri içerisinden, gizli kalmış, değerli, kullanılabilir bilgileri açığa çıkaran ve stratejik karar destek sağlamak amacıyla kullanılan bir yöntemdir. Veri madenciliği çeşitli alanlarda kullanılmasına rağmen, özellikle sağlık alanında çeşitli zorluklarla karşılaşmaktadır. Sağlık alanında bilginin sürekli değişmesi, fazla miktarda yapısal olmayan veriye sahip olması ve bu verilerin farklı ortamlarda bulunması verileri analiz etmeyi zorlaştıran faktörlerdir. Sınıflama ya da kümeleme sorununun yaşandığı durumlarda 'Kohonen öz örgütlemeli haritalama yöntemi' ile sınıflama ya da kümeleme yapılması sınıflama ve kümeleme problemini çözeceği düşünülmektedir. Tezin amacı; veri madenciliğinde, sınıflama ve kümeleme amacı ile kullanılan “Kohonen öz örgütlemeli haritalama yöntemi”ni kuramsal olarak tanıtmak, bu yöntemin özelliklerini incelenmek, psikotik hastalıkların alt türlerini ilgili yöntem ile sınıflamak/kümelemek, sağlık alanında sınıflama ya da kümeleme gereksinimi olduğu durumlarda bu yöntemin kullanılabilirliğini göstermektir. Tezin hipotezi, bu yöntem sonucunda elde edilen sınıflama/kümeleme performansının (doğruluk oranının vb.) diğer klasik yöntemlere göre daha yüksek olacağıdır. Bu tez çalışmasında; 'Şizofreni ve diğer psikotik bozukluklarda faktör yapısı' başlıklı uzmanlık tezi için toplanmış ait 268 psikotik bireyin verisi kullanılmıştır. Kümeleme ve sınıflama yöntemleri R programı kullanılarak analiz edilmiştir. Kohonen öz örgütlemeli haritalama yöntemi ile sınıflamanın performansı değerlendirildiğinde, sınıflama performansının yüksek olduğu görülmüştür. Kohonen haritalama yönteminin, sağlık verisi üzerinde kümeleme performansı araştırılmış ve Kohonen öz örgütlemeli haritalama yönteminin sonucu klasik kümeleme yöntemleri (k-ortalamalar yöntemi ve hiyerarşik kümeleme yöntemi) ile karşılaştırılmıştır. Kümeleme performansları; kümeleme indeksleri kullanılarak değerlendirilmiştir. 4 farklı tanı grubu açısından Kohonen öz örgütlemeli haritalama yöntemi ile diğer kümeleme yöntemlerinin sonuçları karşılaştırılmıştır. Tanı gruplarına ve indekslere göre, yöntemlerin başarı oranının değiştiği ve sadece bir indekste Kohonen öz örgütlemeli haritalama yönteminin diğer yöntemlerden daha iyi performansa sahip olduğu görülmüştür.tr_TR
dc.contributor.departmentBiyoistatistiktr_TR


Files in this item

This item appears in the following Collection(s)

Show simple item record