Çok katmanlı perseptron yapay sinir ağlarıyla sigara içme ve bırakmaya etki eden faktörlerin incelenmesi

Abstract

Çalışmada, çok katmanlı perseptron yapay sinir ağı (YSA) yöntemiyle sigara içenleri, bırakanları ve içmeyenleri, olası faktörlere göre sınıflandırmak ve YSA performansını değerlendirmek amaçlandı. Çalışmaya dahil edilen 750 hasta sigara durumlarına göre (sigara içen n=250, sigara içmeyen n=250 ve sigarayı bırakmış n=250) sınıflandırıldı. Veriler çok katmanlı perseptron YSA yöntemi ile bilgisayar ortamında modellendi. Örneklemin rastgele seçilen % 30'luk kısmı test amacı için ayrılırken, %70'lik kısmı modelin eğitim çalışmasında kullanıldı. Uygulamada 13 nöronlu bir girdi katmanı, 3 nöronlu bir gizli katman ve 2 nöronlu bir çıktı katmanı yapay sinir ağı modeli kullanıldı. Çok katmanlı perseptron YSA'nın performansının değerlendirilmesinde ROC eğrileri, kaldıraç grafikleri, kazanç grafikleri ile duyarlılık, özgüllük, pozitif-negatif kestirim değerleri ve doğruluk değerleri esas alındı. Sigara içenler ile bırakmışları ayırt etmede çok katmanlı YSA'larının eğitim sonuçlarına göre duyarlılığın %83,4, özgüllüğün %62,3, PKD (pozitif kestirim değeri)'nin %68,9, NKD (negatif kestirim değeri)'nin %79,2 ve doğruluk oranının %72,9 olduğu bulundu. Test sonuçlarına göre ise duyarlılık %65,3, özgüllük %46,7, PKD %55,0, NKD %57,4 ve doğruluk oranı %56,0 olarak bulundu. ROC eğrisi altında kalan alan ise eğitim verisine göre 0,747, test verisine göre ise 0,614 olarak bulundu. Sigara içenler ile içmeyenleri ayırt etmede ise eğitim sonuçlarına göre duyarlılığın %81,1, özgüllüğün %84,6, PKD'nin %84,0, NKD'nin %81,8 ve doğruluk oranının %82,9 olduğu bulundu. Test sonuçlarına göre ise duyarlılık %70,7, özgüllük %57,3, PKD %62,4, NKD %66,2 ve doğruluk oranı %64,0 olarak bulundu. ROC eğrisi altında kalan alan ise eğitim verisine göre 0,863, test verisine göre ise 0,666 olarak bulundu. Sonuç olarak çok katmanlı perseptron YSA'nın sigara içenleri ve bırakanları sınıflandırmada etkin model sağladığı görüldü.

In this study, it was aimed to classify smokers, non-smokers and smoking cessation by multilayer perceptron artifical neural network method in accordance with possible factors. Seven hundred and fifty patients included into the study were classified in accordance with their smoking situations as (smokers n= 250, non-smokers n=250 and cessation n=250). All data was modelled by multilayer perceptron artifical neural network method in the computer environment. While the randomized 30% of the sampling was separated for testing, 70% was used for the training study of the modal. On the practice a 13 neuron input layer, a 3 neuron hidden layer and a 2 neuron output layer were used as an artificial neural network modal. On the evaluation of the performances of multilayer perceptron artifical neural network?s sensitivity, specificity, positive-negative predictive values and truth values were based on with ROC curves, lever graphs, and gain graphs. In accordance with the training results of multilayer perceptron artifical neural network?s to distinguish the smokers and non-smokers, it was found out that sensitivity was 83,4, specificity was %62,3, positive predictive value was %68,9, negative predictive value was %79,2 and accuracy rate was %72,9. As for the testing results it was found out that sensitivity was 65,3, specificity was %46,7, positive predictive value was %55,0, negative predictive value was %57,4 and accuracy rate was %56,0. As for the area under the ROC curve, it was found out 0,747 in accordance with training data and 0,614 in accordance with testing data. As for distinguishing the smokers and non-smokers, it was found out that - in accordance with training data, sensitivity was %81,1, specificity was %84,6, positive predictive value was %84,0, negative predictive value was %81,8, and accuracy rate was %82,9. As for the testing results, it was found out that sensitivity was %70,7, specificity was %57,3, positive predictive value was %62,4, negative predictive value was %66,2, and accuracy rate was %64,0. As for the area under the ROC curve, it was found out 0,863 in accordance with training data and 0,666 in accordance with testing data. As a conclusion it was found out that multilayer perceptron artifical neural network?s insure an effective modal on classifying smoking and cessation status.