Diyabet hastalığı teşhisinde makine öğrenimi modelleri ile açıklanabilir yapay zeka yöntemlerinin analizi

Authors : Hakan Güler, Derya Avcı, Mustafa Ulaş, Tülay Omma

Pages : 1995-2012

Doi:10.17341/gazimmfd.1552790

View : 58 | Download : 26

Publication Date : 2025-08-21

Article Type : Research Paper

Abstract :Sağlık sektöründe son yıllarda büyük veri kümelerinin artmasıyla birlikte, makine öğrenimi yöntemleri diyabet veri setlerinin keşfi, analizi ve tahmin süreçlerinde önemli bir rol oynamaya başlamıştır. Bu çalışmada, diyabetin erken teşhisine odaklanılmış ve çeşitli makine öğrenimi modellerinin performansı ile Açıklanabilir Yapay Zeka (XAI) tekniklerinin etkisi incelenmiştir. Diyabet veri seti üzerinde, K-En Yakın Komşular (KNN), Destek Vektör Makineleri (SVM), Naive Bayes, Yapay Sinir Ağları (YSA), Karar Ağaçları, Rastgele Orman ve XGBoost algoritmaları kullanılarak modellerin performansları karşılaştırılmıştır. Modellerin değerlendirilmesi, veri temizleme ve ön işleme aşamalarının ardından eğitim ve test süreçleriyle yapılmıştır. Bu değerlendirme sırasında doğruluk, F1 skoru, hassasiyet ve özgünlük gibi başarı kriterleri göz önünde bulundurulmuştur. En iyi sonuç veren modelin çıktılarına SHAP (Shapley Additive Explanations) ve LIME (Local Interpretable Model-Agnostic Explanations) gibi açıklanabilir yapay zeka yöntemleri uygulanarak, modelin verdiği kararların anlaşılabilirliği sağlanmıştır. Bu yöntemler, modelin en önemli özelliklerini belirleyip karar sürecini daha şeffaf hale getirir. Gerçek dünya uygulamalarında bu modellerin potansiyelini anlamak adına uzman görüşleriyle analiz sonuçları desteklenmiştir. KNN, SVM, Naive Bayes, YSA, Karar Ağaçları, Rastgele Orman ve XGBoost algoritmaları sırasıyla %81.18, %75.38, %75.49, %74.83, %76.91, %91.68 ve %98.91 doğruluk oranlarıyla değerlendirilmiştir.
Keywords : Açıklanabilir Yapay Zeka, Diyabet, SHAP, XGBoost

ORIGINAL ARTICLE URL