Derin öğrenme ve makine öğrenmeyle korona-virüs enfeksiyonunun tahmini

Abstract

Coronavirüsün dünya çapında hızla yayılması ve mutasyona uğramış diğer türlerin ortaya çıkmasıyla birlikte, bu salgını kontrol altına almak ve tedavi etmek için cevaplar bulmak çok önemlidir. Bu araştırma, yapay zeka gibi tıbbi olmayan stratejiler kullanarak enfekte örnekleri tahmin etmek için yeni ve umut verici bir yaklaşım sunuyor. Semptomlar, en yaygın, en az yaygın ve şiddetli semptomlar olarak sınıflara ayrılırlar. Bu araştırma, bir tahmin modeli şekillendirmeyi, COVID-19 ile enfekte olan ve olmayanları belirlemeyi ve klinisyenler için ek maliyet etkin, doğru, zaman kazandıran ve kullanımı kolay sistemler, prosedürler ve destek yöntemleri geliştirmeye yardımcı olmayı amaçlamaktadır. Verileri kategorize etmek için bir yapay sinir ağı ve bazı yaygın kullanılan makine öğrenme algoritmaları kullanılmıştır. Veri seti 1495 vaka ve 15 özellikten (yaş, ateş, cinsiyet, öksürük, yorgunluk, burun tıkanıklığı, ağrı, nefes darlığı, burun akıntısı, boğaz ağrısı, ishal, titreme, baş ağrısı, kusma ve etkilenen bölgede yaşama) oluşmaktadır. Veri seti, %75 Eğitim kayıtları ve %25 Test bilgilerine bölünür ve sınıflandırma algoritmaları uygulanır. Pandas, NumPy ve Matplotlib gibi Python kütüphaneleri, Keras ve Sklearn kullanımına ek olarak kullanılmıştır. Enfeksiyon vakalarını belirlemede en etkili değişkenler, tahmin algoritmalarından tasarlanan modele dayalı olarak analiz edilmiştir. Model, enfekte olan ve olmayan vakaların belirlenmesinde etkili bir tahmin göstermektedir. Yapay Sinir ağı, %85'in üzerinde bir doğruluk sağlamaktadır. Ayrıca, makine öğreniminde rastgele orman algoritmaları ve karar ağaçları ile %91'den fazla doğruluk elde edilmiştir.

With the fast spread of the Coronavirus worldwide and the emergence of other mutated types, it is crucial to locate answers to contain and treat this epidemic. This research presents a novel and promising approach to expect the infected instances, using non-medical strategies such as synthetic intelligence. They are based on the different symptoms of the disease, which are classified symptoms into the most common, the least common. This investigation aims to shape a prediction model, identify those infected and uninfected with COVID-19, and help develop additional cost-effective, accurate, time-saving, and easy-to-use systems, procedures, and support methods for clinicians. An artificial neural network and some famous machine learning algorithms have been used to categorize the data. The dataset consists of 1495 cases and 15 characteristics (age, fever, gender, cough, fatigue, nasal congestion, pain, shortness of breath, runny nose, sore throat, diarrhea, chills, headache, vomiting, and living in the affected area). The information set is divided into 75% Training records and 25% Testing information and prediction algorithms were applied. Python libraries like Pandas, NumPy, and Matplotlib are also used further to the use of Keras and Sklearn. The most influential variables in identifying cases of infection were analyzed based on the model designed from prediction algorithms. The model shows an effective prediction in the identification of infected and non-infected cases. The neural network provides an accuracy of more than 85%. In machine learning, for example, random forest algorithms and decision trees got more than 91% accuracy.