Amaç: Destek vektör makinesi (DVM), pozitif ve negatif örnekleri bilinen bir uzayı ikiye ayıran en iyi hiper-düzlemi bulmaya çalışan sınıflandırma yöntemlerinden biridir. Bu çalışmada, Miyokard İnfarktüsün (Mİ) DVM modelleri ile sınıflandırılması amaçlanmaktadır.
Gereç ve Yöntemler: Sınıflandırmada kullanılacak Mİ verileri, İnönü Üniversitesi Tıp Fakültesi Kardiyoloji anabilim dalı için oluşturulan veritabanından rastgele alınan 184 bireye ilişkin bilgileri içermektedir. Tahmin edilen DVM’ler, DVM-Doğrusal ve DVM-Radyal Tabanlı kernel fonksiyonlarından oluşturulan modellerdir.
Bulgular: Çalışmada incelenen grubun 90’ı (%48.9) Mİ hastası iken, 94’ü (%51.1) Mİ hastası değildi. Mİ’nin doğru sınıflama başarısı, DVM-Doğrusal modeli için %83.70 ve DVM-Radyal Tabanlı modeli için %90.76 olarak elde edilmiştir.
Sonuç: Bu araştırmada Mİ’nin sınıflanmasında radyal tabanlı DVM modelinin, doğrusal DVM modelinden daha iyi sınıflama performansı gösterdiği belirlenmiştir. Farklı kernel tipi fonksiyonlara dayalı DVM modellerinin kullanımı, hastalıkların sınıflama performansını artırılabilir.
Aim: Support vector machines (SVM) is one of the classification methods that aims to find the best hyper-plane separating a space into two parts with known positive and negative samples. The goal of this study is to classify myocardial infarction (MI) using SVM models.
Material and Methods: The data used in the MI classification contains information related to 184 individuals which is randomly taken from the database created for the Department of Cardiology, Faculty of Medicine, Inonu University. Estimated SVMs are models generated from the SVM-linear and SVM-Radial Based kernel functions.
Results: In this study, 90 individuals of the study group (48.9%) are MI patients, while 94 (51.1%) patients are not. The classification success rate is 83.70% for SVM-linear model and 90.76% for the SVM-Radial Based model.
Conclusion: In this study, it is observed that SVM-Radial based model presented a better classification performance than the linear SVM model. The use of SVM models based on various kernel type functions can improve disease classification performance.
