Handan Ankaralı, Gülhan Örekici Temel, Bahar Taşdelen, Aynur Özge

Sınıflamada Daha Güçlü Bir Yaklaşım Olan Boosting Ağacı: Karpal Tunel Sendromu Uygulaması

Amaç: Boosting ağaç yöntemi topluluk birleştirme yöntemlerinden en başarılı olanıdır. Birleştirme algoritmalarının temel amacı, zayıf sınıflayıcıların kombinasyonundan tahmin hatası düşük güçlü sınıflayıcılar oluşturmaktır. Gereç ve Yöntemler: Bu çalışmada Karpal Tunel Sendromu vakaları boosting metodunu kullanılarak sınıflanmıştır. Mersin Üniversitesi Tıp Fakültesi Nöroloji Anabilim Dalının Elektrofizyoloji Laboratuvarına 2006-2010 tarihleri arasında Karpal Tünel Sendromu (KTS) ön tanısı ile başvuru yapan bireyler çalışmaya alınmıştır. Boosting Tree uygulaması Statistica 7.0 paket programında yapılmıştır. Bulgular: Test verisi kullanıldığında ise modelin genel doğru sınıflama başarısı %87.67 olarak hesaplanmıştır. Test verisi kullanıldığında son modelin sensitivite ve spesifitesi ise sırasıyla %85.65 ve %92.36 olarak hesaplanmıştır. Sonuç: Kullanılan modelin KTS tanısının konulmasında başarılı bir yöntem olarak kullanılabilir. Anahtar kelimeler: Sınıflama; Boosting Ağacı; Zayıf Sınıflayıcılar.

Anahtar Kelimeler:

Sınıflama; Boosting Ağacı; Zayıf Sınıflayıcılar.

Boosting Tree as a Stronger Approach in Classification: An Application of Carpal Tunnel Syndrome

Aim: The Boosting Tree, one of the most successful combining methods. The principal aim of these combining algorithms is to obtain strong classifier with small estimation error from the combination of weak classifiers. Material and Methods: We used boosting method to classify patients with Carpal Tunnel Syndrome. The individuals, who applied to Mersin University's Medical School's Neurology Main Scientific Branch's Electrophysiology Laboratory between the years of 2006 and 2010, with a pre-diagnosis of Carpal Tunnel Syndrome (CTS) were included in the study. Boosting Tree application was conducted in Statistica 7.0 software package. Results: General success of the model in accurate classification according to the test data was found as 87.67%. Sensitivity and specificity of the latest model, when the test data were used, were calculated respectively as 85.65% and 92.36% . Conclusion: The model can be used in CTS diagnosis as a successful method. Key words: Classification; Boosting Tree; Weak Classifiers. This article presented at XIII. National Biostatistics Congress on 12-14 September 2011, Ankara, Kızılcahamam.

Keywords:

Classification; Boosting Tree; Weak Classifiers. This article presented at XIII. National Biostatistics Congress on 12-14 September 2011, Ankara Kızılcahamam.,

PDF

___

Zhang MH, Xu QS, Daeyaert F, Lewi PJ, Massart DL. Application of boosting to classification problems in chemometrics. Analytica Chimica Acta 2005;544: 167- 76.
Death G. Boosted trees for ecological modelling and prediction. Ecology 2007;88:243-51.
He, P, Xu CJ, Liang YZ, Fang KT. Improving the classification accuracy in chemistry via boosting Technique. Chemometr Intell Lab 2004;70: 39-46.
Freund Y, Mansour Y, Schapire RE. Why averaging
classifiers can protect against overfitting. Proceedings of the eighth international 2001; Workshop on Artificial Intelligence and Statistics.
Cherkassky V, Mulier FM. Learning from data: concepts, theory, and methods. 2007, 2nd Ed, Canada: John Wiley & Sons.
Schapire RE, Freund Y, Bartlett P, Lee WS. Boosting the margin: A new explanation for the effectivness of voting methods. Ann Statist 1998;26:1651-86.
Mease D, Wyner A. Evidence contrary to the statistical view of boosting. J Mach Learn Res 2008;9:131-56.
Breiman L, Friedman JH, Olshen RA, Stone CJ. Classification and regression trees. 1993; New York: Chapman&Hall.