📖 Kalp hastalıkları, dünya genelinde ölüm nedenleri arasında ilk sıralarda yer almaktadır. Erken teşhis ve doğru risk faktörlerinin belirlenmesi, bu hastalıkların önlenmesinde kritik öneme sahiptir. UCI Machine Learning Repository’de yer alan Heart Disease veri seti, veri analizi ve modelleme çalışmaları için sıklıkla kullanılan zengin bir kaynaktır. Bu rehberde, UCI Heart Disease veri seti üzerinde rapor formatında istatistiksel modelleme yaparken izlenmesi gereken adımları, hazırlama aşamasından sunum aşamasına kadar tüm detaylarıyla ele alacağız.
🎯 1. UCI Heart Disease Veri Seti Nedir?
UCI Heart Disease veri seti, Cleveland Clinic Foundation’dan alınan 303 hasta kaydını içermektedir. Her kayıt, hastaların yaş, cinsiyet, kan basıncı, kolesterol seviyesi, kan şekeri, EKG sonuçları gibi 14 farklı özelliğini barındırır. Hedef değişken, hastanın kalp hastalığına sahip olup olmadığını belirten bir sınıflandırma etiketidir.
Bu veri seti, tez ve proje çalışmalarında sıklıkla tercih edilen bir veri setidir. akademi dünyasında dergi makalesi yayınlamak isteyen araştırmacılar için ideal bir kaynaktır. ödev olarak da sıkça verilen bu veri seti, öğrencilerin veri analizi becerilerini geliştirmeleri için mükemmel bir fırsat sunar.
💡 2. İstatistiksel Modelleme Adımları
UCI Heart Disease veri seti üzerinde başarılı bir modelleme çalışması için izlenmesi gereken adımlar şunlardır:
1. Veri Ön İşleme ve Temizleme
hazırlama aşamasının ilk adımı, veri setindeki eksik değerleri tespit etmek ve uygun yöntemlerle (örneğin ortalama ile doldurma veya satır silme) temizlemektir. Ayrıca, kategorik değişkenlerin sayısal forma dönüştürülmesi (one-hot encoding) ve özellik ölçeklendirmesi yapılmalıdır.
2. Keşifsel Veri Analizi (EDA)
veri analizi sürecinde, değişkenler arasındaki ilişkileri anlamak için korelasyon matrisi, dağılım grafikleri ve kutu grafikleri oluşturulur. Bu aşama, rapor hazırlamada en önemli bölümlerden biridir.
3. Model Seçimi ve Eğitimi
Lojistik regresyon, karar ağaçları, random forest, destek vektör makineleri (SVM) ve yapay sinir ağları gibi farklı sınıflandırma modelleme algoritmaları test edilir. Veri seti eğitim ve test setlerine ayrılarak modeller eğitilir.
4. Model Değerlendirme
Modeller, doğruluk, hassasiyet, duyarlılık, F1-skoru ve AUC-ROC gibi metriklerle değerlendirilir. turnitin raporu gibi, model sonuçları da titizlikle incelenmeli ve raporlanmalıdır.
5. Sonuçların Yorumlanması ve Sunumu
Elde edilen bulgular, çizim ve grafiklerle desteklenerek rapor formatında sunulur. sunum aşamasında, essay yazımındaki akıcılıkla bulgular paylaşılır.
📈 3. En İyi Performans Gösteren Modeller
UCI Heart Disease veri seti üzerinde yapılan çalışmalarda, en iyi performansı genellikle Random Forest ve Gradient Boosting gibi topluluk öğrenme yöntemleri göstermektedir. Bu modeller, %85-90 arasında doğruluk oranlarına ulaşabilmektedir. Lojistik regresyon ise yorumlanabilirliği sayesinde akademik yardım alarak çalışma yapan araştırmacılar tarafından sıklıkla tercih edilmektedir.
- Random Forest: %88 doğruluk, yüksek genelleme başarısı
- Gradient Boosting: %86 doğruluk, düşük yanlış pozitif oranı
- Lojistik Regresyon: %83 doğruluk, yüksek yorumlanabilirlik
- SVM (RBF Kernel): %84 doğruluk, karmaşık veri yapılarında başarılı
🔑 4. Veri Setindeki Önemli Değişkenler
Yapılan veri analizi sonucunda, kalp hastalığı riskini en iyi tahmin eden değişkenler şunlardır:
- Yaş: İlerleyen yaşla birlikte risk artmaktadır
- Kolesterol: Yüksek kolesterol seviyesi risk faktörüdür
- Kan Basıncı: Yüksek tansiyon kalp hastalığı riskini artırır
- Göğüs Ağrısı Tipi: Tipik angina, en yüksek risk göstergesidir
- Maksimum Kalp Atışı: Düşük egzersiz kapasitesi risk işaretidir
🏁 Sonuç: Veri ile Kalp Hastalıklarını Öngörmek
UCI Heart Disease veri seti üzerinde yapılan modelleme çalışmaları, veri analizi ile kalp hastalıklarının erken teşhisinin mümkün olduğunu göstermektedir. hazırlama sürecinden rapor teslimine kadar profesyonel destek alarak, bu veri seti üzerinde başarılı proje çalışmaları gerçekleştirebilirsiniz. akademi dünyasında bu tür çalışmalar, dergi makalesi yayınlama fırsatları sunar. mimari projelerde olduğu gibi, istatistiksel modelleme de sağlam temeller üzerine inşa edilmelidir.
📊 Veri Analizi ve Modelleme Hizmetleri
Tez, proje ve akademik çalışmalarınız için veri analizi ve modelleme danışmanlığı.
