Veri madenciliği sınıflandırma ve kümeleme teknikleri yardımıyla Wisconsin veriseti üzerinde Göğüs Kanseri Teşhisi

Transkript

1 Veri madenciliği sınıflandırma ve kümeleme teknikleri yardımıyla Wisconsin veriseti üzerinde Göğüs Kanseri Teşhisi Nurmyrat AMANMADOV Yıldız Teknik Üniversitesi Elektrik-Elektronil Fakültesi Bilgisayar Mühendisliği Bölümü, Telefon: (507) , ÖZET Bu çalışmada Wisconsin Diagnostic Breast Cancer(WDBC) veriseti üzerindeki verilerden, tümor tiplerinden olan iyi huylu(benign) ve kötü huylu(malign) hücrelerin, Weka aracı yardımıyla veri madenciliği sınıflandırma ve kümeleme teknikleri uygulanarak birbirinden ayrılması ve sınıflandırılması amaçlanmıştır. Bununla beraber veri madenciliğinde kullanılan çeşitli algoritma ve teknikler başarı yüzdeleriyle ölçülmüş ve veriseti üzerinde en başarılı olanlar tespit edilip birbiriyle karşılaştırılmıştır. Anahtar Kelimeler: Naive-Bayes, WDBC, Weka, malign, benign, meme kanseri teşhisi, meme kanseri sınıflandırılması, tümor sınıflandırılması, makine öğrenmesi, veri madenciliği, k-fold cross validation, VDM, yapay sinir ağları, karar ağaçları. ABSTRACT In this study, malignant tumor cells which has bad attitude that causes cancer and benign tumor cells which have no those properties are seperated and classified with the help of Weka tool on the dataset of Wisconsin Diagnostic Breast Cancer(WDBC), using various data mining and machine learning classification and clustering techniques. The success percentage of several algorithms and techniques used in data mining are tested on this dataset and those with the highest success rate are also identified as the main purpose of the study. Keywords: Naive-Bayes, WDBC, Weka, malign, benign, breast cancer diagnosis, breast cancer classification, tumor classification, machine learning, data mining, SVM, Decision tree, k-fold cross validation, artificial neural network. 1. GİRİŞ Son yıllarda ölçüm cihazlarının artmasına paralel olarak veri sayısı ve türleri artmaktadır. Veri toplama araçları ve veri tabanı teknolojilerindeki gelişmeler, bilgi depolarında çok miktarda bilginin depolanmasını ve çözümlenmesini gerektirmektedir. Birçok kaynaktan elde edilen veriler içerisinde saklı bulunan bilgiyi bulma işlemine veri madenciliği denilmektedir (Kudyba, 2004). Bu işlemleri yapmak için açık kaynak kodlu ve ticari amaçlı birçok program kullanılmaktadır (Dener vd., 2009). Açık kaynak kodlu programlar arasında WEKA, ARTool, RapidMiner, C4.5, Orange, KNIME ve R, ticari programlar arasında ise SPSS Clementine, SPSS, SAS, Angoss, KXEN, SQL Server ve MATLAB sayılabilir (Danacı vd., 2010). Literatürde açık kaynak kodlu veri madenciliği programı olan WEKA ile yapılmış birçok çalışma bulunmaktadır. Meme kanseri hücrelerinin teşhis ve tahmini (Danacı vd., 2010), göğüs kanserinin teşhis ve tahmini (Coşkun ve Baykal, 2011), Parkinson hastalığının teşhisi ve tahmini (Özçift, 2011) gibi çalışmalar bulunmaktadır. Sadece IEEE Xplore ve ScienceDirect veri tabanlarında WEKA anahtar kelimesiyle yapılan aramalarda, ilki için 144 akademik çalışma ve diğeri için 1415 makale, 88 kitap ve 6 tane referans çalışması bulunmaktadır. 1 Bu çalışmada hedeflenen amaç, WEKA yı kullanarak akciğer kanserinden sonra, dünyada görülme sıklığı en yüksek olan meme kanserinin 1 bu hastalık teşhisi konan kişilerden elde edilen veriler üzerinde çeşitli veri madenciliği ve makine öğrenmesi teknikleri uygulanarak teşhis edilmesidir. 2. GÖĞÜS KANSERİ Vücudumuzdaki sağlıklı hücreler bölünebilme yeteneğine sahiptirler. Yaşamın ilk yıllarında hücreler daha hızlı bölünürken, erişkin yaşlarda bu hız yavaşlar. Fakat hücrelerin bu yetenekleri sınırlıdır, sonsuz bölünemezler. Her hücrenin hayatı boyunca belli bir bölünebilme sayısı vardır. Sağlıklı 1

2 bir hücre ne kadar bölüneceğini bilir ve gerektiğinde ölmesini de bilir. Normalde vücudun sağlıklı ve düzgün çalışması için hücrelerin büyümesi, bölünmesi ve daha çok hücre üretmesine gereksinim vardır. Bazen buna rağmen süreç doğru yoldan sapar, yeni hücrelere gerek olmadan hücreler bölünmeye devam eder. Bilincini kaybetmiş kanser hücreleri, kontrolsüz bölünmeye başlar ve çoğalırlar. Fazla hücrelerin kütleleri bir büyüklük veya tümör oluştururlar. Kanser hücreleri birikerek tümörleri oluştururlar. Tümörler iyi huylu veya kötü huylu olabilirler. İyi huylu tümörler kanser değildir. Bunlar sıklıkla alınırlar ve çoğu zaman tekrarlamazlar. İyi huylu tümörlerdeki hücreler vücudun diğer taraflarına yayılmazlar. En önemlisi iyi huylu tümörler nadiren hayatı tehdit ederler. Kötü huylu tümörler kanserdir. Kötü huylu tümörlerdeki hücreler anormaldirler ve kontrolsüz ve düzensiz bölünürler. Bu tümörler normal dokuları sıkıştırabilirler, içine sızabilirler ya da tahrip edebilirler. Eğer kanser hücreleri oluştukları tümörden ayrılırsa, kan ya da lenf dolaşımı aracılığı ile vücudun diğer bölgelerine gidebilirler. Gittikleri yerlerde tümör kolonileri oluşturur ve büyümeye devam ederler. Kanserin bu şekilde vücudun diğer bölgelerine yayılması olayına metastaz adı verilir. 2 Bir tümörün iyi huylu yada kötü huylu olduğu patolojik tetkiki sonucu anlaşılır. İyi huylu tümörler cerrahi olarak alınabilirler ve tekrar ortaya çıkmazlar. En önemlisi, yukarıda da bahsettiğimiz gibi, iyi huylu tümör hücreleri diğer dokuları istila etmez ve vücudun başka yerlerine doğru yayılmazlar. Yani bu tümörler yaşamı tehdit etmezler. Malign tümörler kanserdirler. Kanser hücreleri de kontrol dışı büyür ve bölünürler. Ancak iyi huylu tümörlerden çok daha hızlı çoğalıp büyürler. Yakınındaki doku ve organlarıda istila edip harap ederler. Ayrıca, kanser hücreleri malign tümörden kopup kan dolaşımına veya lenfatik dolaşıma dökülebilir. Meme kanserinde ve vücudun başka yerlerinde tümör hücreleri bu şekilde gelişir. Meme kanseri meme hücrelerinde başlayan kanser türüdür. Akciğer kanserinden sonra, dünyada görülme sıklığı en yüksek olan kanser türüdür. Her 8 kadından birinin hayatının belirli bir zamanında meme kanserine yakalanacağı bildirilmektedir. Erkeklerde de görülmekle beraber, kadın vakaları erkek vakalarından 100 kat fazladır. 1970'lerden bu yana meme kanserinin görülme sıklığında artış yaşanmaktadır ve bu artışa modern, Batılı yaşam tarzı sebep olarak gösterilmektedir. Kuzey Amerika ve Avrupa ülkelerinde görülme sıklığı, dünyanın diğer bölgelerinde görülme sıklığından daha fazladır. Meme kanseri, yayılmadan önce, erken tespit edilirse,hasta %96 yaşam şansına sahiptir. Her yıl 44000'de bir kadın meme kanserinden ölmektedir. Meme kanserine karşı en iyi koruyucu yöntem erken teşhistir. Memedeki kitlenin iyi huylu (benign) veya kötü huylu (malign) olduğunu kesin anlamanın tek bir yolu vardır. Biopsi ile mikroskopik tetkik sonucu tanı koymak. Ama bazı özellikler varki, o kitlenin daha çok neye benzediği konusunda muayene eden hekime ortalama bir fikir verebilir DENEYSEL ÇALIŞMA Bilgisayar teknolojilerindeki ilerleme ve biyoenformatik gibi bilgisayar bilimleri alanının bilgi teknolojilerindeki gelişmeleri tıp dünyasına taşımasıyla birtakım tekniklerin tıbbi çalışmalara uygulamasına verilebilecek en iyi örneklerden birisi de kanser ve çeşitli hastalıkların teşhisidir. Bu konudaki çalışmalar doğrultusunda biz de projemizde veri madenciliği yöntemleriyle meme hücrelerindeki veriler üzerinde çalışarak meme kanserini belirlemeye çalıştık. Bu noktada veriseti olarak University of Wisconsin ve Madison Clinical Sciences Center işbirliğiyle oluşturulan Wisconsin Diagnostic Breast Cancer(WDBC) verisetini ve sınıflandırma ve kümeleme aracı olarak da University of Waikado tarafından geliştirilen Waikato Environement for Knowledge Analysis (Weka) aracı kullanılmıştır. 3.1 Kullanılan Verisetinin özellikleri Wisconsin Hospital çalışanı olan Dr.William Wolberg tarafından iğne ucu genişliğindeki bir meme kitlesinin biyosiple alınarak görüntülenmesi ve bu görüntülerin University of Wisconsin Bilgisayar Bilimleri bölümü araştırmacılarından William Nick Street tarafından Kasım 1995 tarihinde dijitalleştirilmesiyle verisetimiz elde edilmiştir. Şekil 1 ve Şekil 2 de verisetimizi oluşturan görüntüler aslı bulunmaktadır

3 Şekil 1: İyi huylu bir tümör hücresine ait görüntü Radius: Tüm hücrelerin yarıçapları Texture: İç yüzeylerin gri skaladaki değişimoranlarının ortalaması, standart sapması ve en kötü Şekil 2: Kötü huylu bir tümör hücresine ait görüntü Perimeter: Hücrelerin çevre uzunlukları : Hücrelerin yüzey alanları Smoothness: Komşu hücrelerin yarıçap uzunluklarının ortalaması, standart sapması ve en kötü Compactness: Çevre²/Alan = Yoğunluk Verisetimiz toplam 569 örnekten oluşmaktadır. Örneklerimizi nitelendiren toplam 32 özellik bulunmakta olup bunlardan ilki örneğin ID si ikincisi sınıfı ve geriye kalan 30 u hücrelerle ilgili çeşitli bilgileri barındıran özelliklerdir. Örneklerimizin sınıf etiketi malignant (M) veya benign (B) olabilir. Bunlar daha önce bahsettiğimiz iyi huylu ve kötü huyly tümor hücrelerine karşılık gelen tıbbi terimlerdir. Özelliklere ait eksik değer bulunmamaktadır. Örneklerimizin 357 benign ve 212 malignant olacak şekilde dağılmıştır. Veristemizi üzerinde doğru bir şekilde oluşturulan 10-fold crossvalidation sınıflandırıcısı sayesinde sınıflandırma başarısı %97.5 gibi bir değere çıkmış ve 1995 Kasımına ait peşinsıra gelen 176 hastayı doğru sınıflandırabilmiştir. Tablo 1 de veristemize ait çeşitli özellikler orijinal haliyle birlikte verilmiştir. Özellik Adı Tablo 1: Örneklere Ait Özellikler Açıklama 1 radius mean of distances from center to points on the perimeter 2 texture standard deviation of gray-scale values 3 perimeter Perimeter of the cell 4 area of the cell 5 smoothness local variation in radius lengths 6 compactness Perimeter 2 / area concavity severity of concave portions of the contour 8 Concave points number of concave portions of the contour 9 symmetry Symmetry of the cells 10 Fractl dimension "coastline approximation" - 1 Concavity: Hücre çevresindeki girinti ve çıkıntıların büyüklükleri ortalaması, standart sapması ve en kötü Concave Points: Hücre çevresindeki girinti ve çıkıntı nokta sayısının Symmetry: Hücrelerin elips şekil değişikliği ortalaması, standart sapması ve en kötü Fractal Dimension: İç içe geçmiş düzensiz hücrelerin tüm normal hücrelere oranının ortalaması, standart sapması ve en kötü dir. 3.2 Deneyde Kullanılan teknikler ve sınıflandırıcılar Bu çalışmadaki esas problem bilinmeyen bir doku örneğini verilen kanser kategorilerinden biriyle eşleştirebilmek veya kansersiz doku olduğunu belirleyebilmektir. Literatürde çok kategorili sınıflandırma için birçok makine öğrenme algoritması bulunmaktadır. Biyolojik bilimlerdeki çalışmalarda çok kullanılmaları ve diğer alanlarda da kayıt altına alınmış başarıları göz önünde bulundurularak bu algoritmalardan beş tanesi seçilerek ilgili veri seti üzerinde sınıflandırma performansları değerlendirilmiştir. Bu algoritmalar; C4.5 Decision Tree (DT), Artifical Neural Networks (ANN), Support Vector Machines

4 (SVM), Naïve Bayes multinomial sınıflandırıcı (NBM), and K-Nearest Neighbors (KNN) şeklindedir. Bu algoritmalar ile ilgili özet bilgi ve karşılaştırma sonuçlarına Caruana ve Niculescu- Mizil yayınından ulaşılabilir. Daha detaylı anlatımlar için ise Bishop yayını önemli bir kaynaktır Bayes Sınıflandırıcı Bir sınıflandırma probleminde tüm özniteliklerin sınıflandırmadaki katkısının eşit ve birbirinden bağımsız olduğu varsayımıyla koşullu olasılık temeline dayanan Naive Bayes adı verilen basit bir sınıflandırma şekli ortaya çıkmıştır. Buna göre her bağımsız özniteliğin sonuca katkısının analizi ile bir koşullu olasılık belirlenir. Farklı özniteliklerin, sonuç üzerindeki etkilerinin birleşimi ile sınıflandırma işlemi gerçekleştirilir. Bu metoda naive yani saf denmesinin sebebi farklı özniteliklerin birbirinden bağımsız olduğu varsayımıdır. Verilen bir veri xi ile ilişkili ti kaydının Cj sınıfında bulunma olasılığı P(Cj xi) şeklinde gösterilir. Eğitim verisi P(xi), P(xi Cj) ve P(Cj) olasılıklarının hesaplanmasında kullanılabilir. Bu değerlerden ise Bayes teoremi sayesinde önce P(Cj xi) ve daha sonra da P(Cj ti) sonsal olasılıkları hesaplanır. Bir kaydın sınıflandırılmasında eğitim veri setinden hesaplanmış koşullu olasılıklar ve önsel olasılıklar kullanılmaktadır. Bu sayede bu kayda ait farklı öznitelik değerlerinin etkisinin birleşimi hesaplanabilir. Naive Bayes algoritmasının birçok avantajı bulunur. Öncelikle kullanımı çok kolaydır. İkinci olarak ise diğer sınıflandırma algoritmalarının büyük çoğunluğunun aksine eğitim verisinin sadece bir kez taranması yeterlidir. Ayrıca kayıp (boş) değerler de olasılık hesaplarında yok sayılarak kolaylıkla ele alınabilmektedir. Basit ilişkilerin bulunduğu durumlarda çoğunlukla çok iyi sonuç veren bir tekniktir. Basit kullanımına karşın Naive Bayes bazı durumlarda tatmin edici sonuçlar vermeyebilir. Öncelikle öznitelikler bağımsız olmayabilir. Bu durumda öznitelik alt kümeleri kullanılabilir. İkinci olarak ise bu teknik, sürekli değerleri ele alamaz. Bu durumda da sürekli değerleri aralıklara bölmek gerekir. Bu tip sorunlarının yanı sıra ilişkili çözümleri olsa da bu çözümlerin uygulanması kolay olmamakla beraber bu çözümleri uygulama şekli de sonuçları ciddi ölçüde etkiler. 2 Aşağıda verisetimize en çok kullanılan k-fold cross validation olan 10 seçili halde Naive-Bayes tekniği uygulanarak oluşturulan sınıflandırma çalışması verileri gösterilmiştir. Buna göre tekniğin başarı oranı ve karmaşıklık matrisi şu şekilde çıkmıştır: Tablo 2: Naive Bayes Tekniğine Ait Veriler Correctly ified Instances % Incorrectly ified Instances % Kappa statistic Mean absolute error Root mean squared error Relative absolute error % Root relative squared error % Total Number of Instances 569 Burada bizim için en çok anlam ifade eden değerler ilk iki değerdir. Yani sınıflandırıcının doğru sınıflandırdığı ve yanlış sınıflandırdığı örneklerin sayıları ve bunların yüzdeleri.tablo 2 de görüldüğü üzere bu yönteme ait başarı yüzdesi 92.97% olup toplam 569 örnekten 529 adedi doğru sınıflandırılmıştır. Bununla beraber karmaşıklık matrisi de sistemin başarısının ölçülmesi açısından çok önemli bilgiler içermektedir. Aşağıda Naive- Bayes tekniğininin bu veriseti üzerinde oluşturduğu karmaşıklık matrisi verilmiştir: Tablo 3: Naive Bayes Tekniğine Ait Aynı şekilde,, gibi anlamlı bilgiler de şu şekilde oluşmuştur: Tablo 4: Naive Bayes Tekniğine Ait M B W.Avg Uygulanan yöntemin başarı yüzdesi her zaman o yöntem hakkında kesin bilgi vermez. Başarı yüzdesinin yanında doğruluk oranı ( rate) ve yanlış sınıflandırma oranı ( ) gibi ölçümler de sistemin başarısı açısından çok önemli bilgiler arz etmektedirler. Çünkü kanser teşhisi çok ciddi durumların söz konusu olduğu işlemlerde bu sayısal değerlerin anlamı çok büyüktür.

5 3.2.2 Yapay sinir ağları tabanlı sınıflandırıcılar Yapay sinir ağları sınıflandırıcı olarak kullanıldıklarında verilen bir örneğin mevcut sınıflarda olma olasılıklarını çıktı olarak verecek şekilde bir model oluşturulur. Bu model uygulandığında sonuç olarak en yüksek veren çıkış, sonuç sınıfı olarak kabul edilir. Eğitim aşamasında ise her veri yapay sinir ağı içerisine verildiğinde çıkan sonuç ile beklenen sonucun karşılaştırılmasına dayanarak ağ içerisindeki ağırlık değerleri değişir. Yapay sinir ağı ile sınıflandırma problemi aşağıdaki adımlardan oluşur: 1.Girdi için kullanılacak öznitelikler ve çıktı sayılarının belirlenmesi. 2.Gizli katman sayılarının ve gizli katmanlardaki gizli düğüm sayılarının ilgili problem alanına bağlı olarak belirlenmesi. 3.Ağda kullanılacak ağırlıkların ve fonksiyonların belirlenmesi. 4.Eğitim veri setinin belirlenmesi. Gereğinden fazla eğitim verisi overfitting, az sayıda eğitim verisi ise underfitting problemine yol açabilir. 5.Öğrenme tekniğinin belirlenmesi. Bu teknik ağırlıkların nasıl düzenleneceğini belirler. Çoğunlukla geri yayılım (backpropagation) formunda bir yaklaşım izlenir. 6.Durma koşulunun belirlenmesi. Tüm eğitim verisi ağ üzerinde değerlendirildiğinde veya istenilen bir hata oranı ya da belirlenen bir zaman kriterine ulaşıldığında öğrenme işlemi sonlandırılabilir. 7.Durma koşulu sağlanana kadar her eğitim verisinin ağda değerlendirilmesi ile bulunan sonucun istenilen sonuç ile karşılaştırılması. Eğer sonuç istenen şekildeyse benzer bir veri geldiğinde de aynı sonucun verilme olasılığını arttıracak şekilde ağırlıkların düzenlenmesi. Sonuç istenenden farklıysa bu sonucun tekrar verilme olasılığını azaltacak ağırlık değişiklikleri yapılması. 8.Test edilecek verilerin eğitilmiş ağda değerlendirilmesi sonucu sınıflandırılmaları. 2 Verisetimiz bu sefer yapay sinir ağlarına ait çok katmanlı perceptron sınıflandırıcısıyla sınıflandırılacak ve çıkan sonuçlar bu yönteme göre değerlendirileccektir. Weka aracında bu yöntem MultilayerPerceptron ismi altında bulunmaktadır. Tablo 5: MultilayerPerceptron Tekniğine Ait Tablo 6: MultilayerPerceptron Tekniğine Ait Tablo 7: MultilayerPerceptron Tekniğine Ait M B W.Avg MultilayerPerceptron tekniği Naive Bayes tekniğine nazaran hem benign hücrelerin hem de malignant hücrelerin doğru sınıflandırılmasında daha yüksek sonuçlar elde etmiş ve dolayısıyla Naive Bayes sınıflandırıcısına göre bu verisetinde daha başarılıdır Destek Vektör Makineler(SMO) SVM problem uzayını çeşitli parçalara ayıran hiper düzlemlerle tanımlanan ayrıcalıklı bir sınıflandırıcıdır. Diğer bir deyişle verilen bir eğitim veri seti ile gözetimli öğrenme sonucu ilgili verileri ayıran optimum hiper düzlemleri bulmaya yarayan bir algoritmadır. Optimum hiper düzlemin ne olduğu SVM in ayrıcalığını oluşturan ve sınıflandırma performansını belirleyen temel unsurdur. 2 Weka aracında bu yöntem SMO tekniği diye geçmektedir. Bu tekniğin oluşturduğu çıkış bilgileri de şu şekildedir. Tablo 8: SVM Tekniğine Ait Correctly ified Instances % Incorrectly ified Instances % Tablo 9: SVM Tekniğine Ait Correctly ified Instances % Incorrectly ified Instances %

6 0.948 Tablo 10: SVM Tekniğine Ait M B W.Avg Burada dikkat çeken husus şudur ki tekniğin doğru sınıflandırdığı örnek sayısı malignanat hücreler için Bir önceki MultilayerPerceptron tekniğiyle aynı ama benign hücreleri sınıflandırma başarısı MultilayerPerceptron tekniğinden daha başarılıdır. Dolayısıyla doğru sınıflandırdığı örneklerin sayısı ve yüzdesi bir önceki yöntemden daha başarılıdır Karar ağacı sınıflandırıcı (J48) Karar ağaçları yaklaşımı ile sınıflandırmanın temeli arama uzayını dikdörtgensel bölgelere ayırmaktır. lendirilecek kayıt içinde bulunduğu bölgeye göre sınıflandırılacaktır. Farklı bazı yaklaşımlar olsa da bir karar ağacı aşağıdaki gibi tanımlanabilir: D={t 1,..,t n } şeklinde verilen bir veri setinde, kayıt t i =<ti 1,, t ih > olsun ve kayıtlar {A 1,., A h } özniteliklerinden oluşsun. İlgili kayıtlara ait sınıflar da C = {C 1,., C m } şeklinde olsun. Bu durumda D ile ilişkili bir karar ağacı şu özelliklere sahip olmalıdır: Kök düğüm ve her ara düğüm bir özniteliği ile tanımlanmalı, Her dal kendi başlangıç noktasındaki özniteliğe ait bir değer veya değer aralığını temsil etmeli, Her yaprak düğümü bir Cj sınıfı şeklinde gösterilmelidir. Bu durumda kök düğümden başlayarak bir yaprak düğüme kadar giden her farklı yol VE işlemlerinden oluşan bir kuralı tanımlamış olur. Bu kurallar herhangi bir veriye uygulandığında kurallardan sadece ve mutlaka bir tanesi başarılı bir şekilde sonlanır. Bu kuralı oluşturan yoldaki yaprak düğüm sınıflandırma sonucudur. Kök ve ara düğümlerde kullanılacak özniteliklerin bulunması ve bu özniteliklere ait hangi değer aralıklarının kullanılacağı gibi karar ağaçlarında belirlenmesi gereken önemli noktalar bulunmaktadır. Karar ağaçlarında genel prensip eğitim verisini sırayla en iyi şekilde farklı sınıflara bölen öznitelikleri ve bu özniteliklerin veri setine uygulanacakları düğümlerdeki değer aralıklarını bulmaktır. Seçilen bu özniteliklere ayırıcı öznitelikler denilebilir. Karar ağaçları Weka aracında birsürü farklı yöntemle beraber bulunmaktadır. Bunlardan en çok kullanılanları ID3 algoritması ve J48 tekniğidir. Bizim verisetimiz için ID3 algoritması Weka da kapalı durumdadır. Dolayısıyla J48 tekniğini uyguluyoruz ve sonuçları aşağıdaki buluyoruz. Tablo 11: J48 Tekniğine Ait Correctly ified Instances % Incorrectly ified Instances % Tablo 12: J48 Tekniğine Ait Tablo 13: J48 Tekniğine Ait M B W.Avg Sonuçlardan da görüldüğü gibi J48 tekniği Naive- Bayes sınıflandırıcısı hariç diğer tüm yöntemlere kıyasla daha başarısız bir yöntemdir K-En Yakın Komşu (IBK) K En Yakın Komşu yöntemi, sınıflandırma problemini çözen denetimli öğrenme yöntemleri arasında yer alır. Yöntemde sınıflandırma yapılacak verilerin öğrenme kümesindeki normal davranış verilerine benzerlikleri hesaplanarak; en yakın olduğu düşünülen k verinin ortalamasıyla, belirlenen eşik değere göre sınıflara atamaları yapılır. Önemli olan, her bir sınıfın özelliklerinin önceden net bir şekilde belirlenmiş olmasıdır. Yöntemin performansını k en yakın komşu saysı, eşik değer, benzerlik ölçümü ve öğrenme kümesindeki normal davranışların yeterli sayıda olması kriterleri etkilemektedir. Weka üzerinde K En yakın komşu yöntemi Ibk ismi altında bulunmaktadır. IBk yöntemiyle sınıflandırma sonucu aşağıdaki gibi bulunmuştur. Tablo 14: IBk Tekniğine Ait Correctly ified Instances % Incorrectly ified Instances %

7 Tablo 15: IBk Tekniğine Ait Tablo 18: K-Means Tekniğine Ait Tablo 16: IBk Tekniğine Ait M B W.Avg Deneyde Kullanılan Kümeleme yöntemleri Kümeleme bir veri kümesindeki bilgileri belirli yakınlık kriterlerine göre gruplara ayırma işlemidir. Bu grupların her birine küme adı verilir. Kümeleme analizine kısaca kümeleme adı verilir. Kümeleme işleminde küme içindeki elemanların benzerliği fazla, kümeler arası benzerlik ise az olmalıdır. Kümeleme veri madenciliği tekniklerinden tanımlayıcı modellere yani gözetimsiz sınıflandırmaya girer. Gözetimsiz sınıflamada amaç, başlangıçta verilen ve henüz sınıflandırılmamış bir küme, veriyi anlamlı alt kümeler oluşturacak şekilde öbeklemektir. Verisetimizde 2 tür kümeleme yöntemi uygulanmıştır. Bunlar K-Means ve Hiyerarşik Kümeleme yöntemleridir Hiyerarşik Kümeleme Hiyerarşik kümeleme yönteminde özellikle işleyişin daha kolay anlaşılabilmesi için dendogram (ağaç grafiği)dan yararlanılır. Hiyerarşik kümeleme yönteminde anlatılan işlemlere dayalı olarak kullanılan hiyerarşik metotlardan en çok kullanılanları; Tek bağlantılı, Tam bağlantılı, Ortalama bağlantı, Merkezi ve Ward metotlarıdır. Hiyerarşik olmayan kümeleme yöntemi ise küme sayısı hakkında bir ön bilginin olması ya da araştırmacının anlamlı olacak küme sayısına karar vermiş olması durumunda tercih edilmektedir. Bu yöntemin sonuçları aşağıda verilmiştir. Tablo 19: Hiyerarşik kümeleme Tekniğine Ait Correctly ified Instances % Incorrectly ified Instances % Tablo 18: Hiyerarşik kümeleme Tekniğine Ait K-Means Kümeleme Hiyerarşik olmayan kümeleme yönteminde en çok tercih edilen iki yöntem Mac Queen tarafından geliştirilen k-ortalama tekniği ve en çok olabilirlik tekniğidir. Bu çalışmada ise hiyerarşik olmayan kümeleme algoritmaları üzerine bir uygulama geliştirilmiştir. Bu yönteme ait sonuçlar aşağıda verilmiştir. Tablo 17: K-Means Tekniğine Ait Correctly ified Instances % Incorrectly ified Instances % SONUÇ Sonuç olarak verisetimiz üzerinde en çok kullanılan 5 sınıflandırıcı tekniği olan Naive Bayes, Karar Destek Makineleri (SVM), Çok Katmanlı Perceptron (MLP) ve Karar ağacı yöntemlerinden J48 ve K En Yakın Komşu(IBk) uygulanmış ve en çok başarı yüzdesi 97.7 %-lik yüzdesiyle Karar Destek Makineleri yöntemine ait çıkmıştır. Bu yöntemi sırasıyla MultilayerPerceptron, IBk, J48 Karar Ağacı ve Naive Bayes takip etmiştir. Bu sonuçlardan anlıyoruz ki verisetimizi sınıflandırıken SVM tekniği kullanmamız tümor hücrelerini doğru sınıflandırmada daha başarılı sonuçlar elde edecektir.

8 Aşağıda bu yöntemlere ait yüzdelerin ve doğruluk oranlarının grafiksel olarak gösterimi verilmiştir. Tablo 17: Sınıflandırıcıların Karşılaştırılması Referanslar: 1. WEKA YAZILIMINDA k-ortalama ALGORİTMASI KULLANILARAK KONJESTİF KALP YETMEZLİĞİ HASTALARININ TEŞHİSİ, Yalçın İşler, Ali Narin, Zonguldak Karaelmas Üniversitesi, Elektrik ve Elektronik Mühendisliği Bölümü. 2. KANSER SINIFLANDIRMADA mikrorna VE mrna ANLATIM BİLGİLERİNİN ENTEGRASYONU Onur Altındağ, Yüksek Lisans Tezi, BREAST CANCER DİAGNOSİS ON THREE DİFFERENT DATASETS USİNG MULTİ-CLASSİFİERS, Gouda I. Salama, M.B.Abdelhalim, Magdy Abd-elghany Zeid, Arab Academy for Science Technology & Maritime Transport, Cairo, Egypt 4. VERİ MADENCİLİĞİ YÖNTEMLERİ KULLANILARAK MEME KANSERİ HÜCRELERİNİN TAHMİN VE TEŞHİSİ, Mustafa Danacı, Mete Çelik, A. Erhan Akkaya, Erciyes Üniversitesi Bilgisayar Mühendisliği Bölümü