GRNN ve MLP metotları kullanılarak geri dönen meme kanser tespiti

Abstract

Bu tezde, meme kanseri tahmini için Yapay Sinir Ağı ve Destek Vektör Makinesi ile GRNN uyguladık. Yapay Sinir Ağı için çok katmanlı perseptron metodunu kullandık ve her katman için farklı farklı neron sayıları deneyerek sonuçları elde ettik. Sonuçlarımızı SVM ile ve GRNN'le karşılaştırdık. Bu tezde, Wisconsin meme kanseri veri tabanını kullandık. Bu veri tabanında, gerçek klinik verileri içeren çok sayıda veri var. Önceki çalışmalarda yazarlar sinir ağı üzerinde çalıştı, ancak biz çalışmalarımızda sinir ağının hangi modelinin bize meme kanseri tespitinin daha yüksek doğruluğu verdiğini karşılaştıracağız. Sonuçlarda GRNN yönteminin daha doğru sonuç verdiği tespit edildi. Bu çalışmada 194 ve 569 örnek içeren Wisconsin Prognostik Meme Kanseri (WPBC) veri tabanı kullanılmıştır. Bu veri tabanını seçmenin nedeni; meme kanseri ile ilgili gerçek verileri içerdiği gerçeğidir. Bu tez çalışmasında, Çok Katmanlı Perceptron (MLP) ve Genelleştirilmiş Regresyon Sinir Ağı (GRNN) kullanılarak meme kanseri tahmini gerçekleştirilmiştir. Yapay sinir ağlarının sonuçları da, Destek Vektör Makinesi (SVM) ile elde edilen sonuçlar ile karşılaştırılmıştır. En iyi performans GRNN yöntemi kullanıldığında elde edilir. Sonuçlar ve gelecekteki çalışmalar tartışılmıştır.Anahtar Kelimeler: GRNN, YSA, Destek vektor makinesi.

In this thesis study, we applied GRNN with an Artificial Neural Network and Support Vector Machine. We used multilayer perceptron method for the Artificial Neural Network and obtained the results by trying nerve cells in different numbers for individual layers. We compared our results with SVM and GRNN. In this thesis study, we made use of the Wisconsin breast cancer database. This database contains a substantial amount of data with actual clinical data. In the former studies, the authors researched the neural network; however, we will compare in our studies the neural network models to find out which model gives us the breast cancer diagnosis with more accuracy. The results suggest that GRNN method gives more accurate outcomes. In this study, we used Wisconsin Prognostic Breast Cancer (WPBC) database that contains 194 and 569 samples. The reason for selecting this database is that it contains actual breast cancer data. In this thesis study, we made a breast cancer prediction by using Multilayer Perceptron (MLP) and General Regression Neural Network (GRNN). Also, the outcomes of artificial neural networks were compared with the results obtained by means of the Support Vector Machine (SVM). The best performance is achieved by using the GRNN method. The results are future researches are discussed.Keywords: GRNN, ANN, Support vector machine