Araştırma Makalesi
BibTex RIS Kaynak Göster

Comparison of Machine Learning Regression Methods to Predict Health Expenditures

Yıl 2017, Cilt: 22 Sayı: 2, 179 - 200, 19.09.2017
https://doi.org/10.17482/uumfd.338805

Öz

As a result of
experimental studies on different datasets, it is recommended to use machine
learning regression methods as an alternative to classical regression methods
in the existence of variables which are difficult to model. Health expenditure
is an indicator which is difficult to model and there is no study in the
literature about modelling health expenditure comparing machine learning
regression methods
. In this study a
multiple regression model was conducted to predict health expenditure per
capita. Performance results of Lasso Regression, Random Forest Regression and
Support Vector Machine Regression compared when different hyperparameter values
were determined. Lambda (λ) value for Lasso Regression, number of trees for
Random Forest Regression, epsilon (
) value for Support Vector Regression was determined as hyperparameter
values. Study results performed by using “k” fold cross validation changed from
5 to 50, indicate the difference between machine learning results in terms of R2,
RMSE and MAE values that are statistically significant (p
<0.001). Surface and bar plots and statistical test
results of prediction performances show that Random Forest Regression
(R2
˃ 0.7500, RMSE ≤ 0.6000 ve MAE ≤ 0.4000)
has better prediction performance
according to different hyperparameter values. It is hoped that study results
make contribution to studies about determining optimal hyperparameter values
for machine learning regression methods for studies about modelling health
expenditures. 

Kaynakça

  • Alpar R. (2011) Uygulamalı çok değişkenli istatistiksel yöntemler, Detay Yayıncılık, Ankara, 415-620.
  • Basu, A., Manning, W.G. ve Mullahy, J. (2004). Comparing alternative model: log and cox proportional hazard? Health Economics, 13(8), 749-765. doi: 10.1002/hec.852.
  • Belloni, A., Chernozhukov, V., Hansen, C. (2012) Inference for high-dimensional sparse econometric models. https://arxiv.org/abs/1201.0220. doi: 10.1017/CBO9781139060035.008. Erişim Tarihi: 01.01.2016.
  • Bergstra, J. ve Bengio, Y. (2012) Random search for hyper-parameter optimization. Journal of Machine Learning Research, 13, 281-305. http://www.jmlr.org/papers/volume13/bergstra12a/bergstra12a.pdf. Erişim Tarihi: 01.02.2016.
  • Box, G.E.P. ve Cox, D.R. (1964) An analysis of transformations, Journal of the Royal Statistical Society, 26(2), 211-252. doi: 10.1.1.321.3819.
  • Brieman, L. (2001) Random forests, Machine Learning, 45, 5-32. doi: 10.1023%2FA%3A1010933404324.
  • Cherkassky, V. ve Ma, Y. (2004) Practical selection of SVM parameters and noise estimation for SVM regression, Neural Networks, 17(1), 113-126. doi:10.1016/S0893-6080(03)00169-2.
  • Cosgun E., Karaağaoğlu E. (2011). Veri madenciliği yöntemleriyle mikrodizilim gen ifade analizi, Hacettepe Tıp Dergisi, 42, 180-189. http://docplayer.biz.tr/3432783-Veri-madencili-i-yontemleriyle-mikrodizilim-gen-ifade-analizi.html. Erişim Tarihi: 01.02.2016.
  • Collins, B. (2016) Big data and health economics: strengths, weaknesses, opportunities and threats, Pharmacoeconomics, 34(2), 101-106. doi: 10.1007/s40273-015-0306-7.
  • Cristianini, N. ve Shawe-Taylor, J. (2000). An introduction to support vector machines and other Kernel based learning methods, Cambridge University Press, UK, 93-122.
  • Crown, W.H. (2015) Potential application of machine learning in health outcomes research and statistical cautions, Value in Health, 18(2), 137-140. doi: 10.1016/j.jval.2014.12.005.
  • Duan, K., Keerthi, S.S., Poo, A.N. (2003) Evaluation of simple performance measures for tuning SVM hyperparameters, Neurocomputing, 51, 41-59. doi.org/10.1016/S0925-2312(02)00601-X.
  • Einav, L., Levin, J.D. (2014) The data revolution and economic analysis. NBER/Innovation Policy and the Economy, 14(1): 1-24. doi: 10.3386/w19035.
  • Elasan, S., Keskin, S., Arı E. (2016) İlişkili bileşen regresyonu: DNA hasarını belirleme modeli üzerinde uygulanması, Türkiye Klinikleri Biyoistatistik Dergisi, 8(1): 45-52. doi: 10.5336/biostatic.2015-48311.
  • Frank, I.E., Friedman J.H. (1993) A statistical view of some chemometrics regression tools. Technometrics, 35, 109-148. doi: 10.2307/1269656.
  • Frenk, J. (2010) The global health system: strengthening national health systems as the next step for global progress, PLOS Medicine, 7(1), 1-3. doi: 10.1371/journal.pmed.1000089.
  • Gislason, P.O., Benediktsson, J.A., Sveinsson, J.R. (2006) Random Forest for land cover classification. Pattern Recognition Letters, 27(4), 294-300. doi: 10.1016/j.patrec.2005.08.011.
  • Gupta, I., Mitra, A. (2004) Economic growth, health and poverty: an exploratory study for India, Development Policy Review, 22(2), 193-206. doi: 10.1111/j.1467-7679.2004.00245.x.
  • Hassan, S.S., Farhan, M., Mangayil, R., Huttunen, H., Aho, T. (2013) Bioprocess data mining using regularized regression and random forests, BMC System Biology, 7(1):1-7. doi: 10.1186/1752-0509-7-S1-S5.
  • Hastie, T., Tibshirani, R. ve Friedman, J. (2009) Random Forest. The elements of statistical learning data mining, Inference and Prediction. Springer Series in Statistics, 587-613.
  • Hawkins, D.M. (2004) The problem of overfitting, Journal of Chemical Information and Modeling, 44(1), 1-12. doi: 10.1021/ci0342472.
  • Jaggi, M. (2014) An equivalence between the lasso and support vector machines, https://arxiv.org/pdf/1303.1152.pdf, Erişim Tarihi: 16.5.2017. arXiv:1303.1152v2.
  • Jones, A.M., Rice, N., d’Uva, T.B. ve Balai, S. (2007) Applied health economics, Routledge, Taylor & Francis, London and New York, 280-319.
  • Kavaklıoğlu, K. (2011) Modeling and prediction of Turkey’s electricity consumption using support vector regression, Applied Energy, 88(1), 368-375. doi: 10.1016/j.apenergy.2010.07.021.
  • Kazem, A., Sharifi, E., Hussain, F.K., Saberi, M. ve Hussain, O.K. (2013) Support vector regression with chaos-based firefly algorithm for stock market price forecasting. Applied Soft Computing, 13(2), 947-958. doi: 10.1016/j.asoc.2012.09.024.
  • Kohavi, R. (1995) A study of cross-validation and bootstrap for accuracy estimation and model selection, International Joint Conference on Artificial Intelligence (IJCAI’95), vol.2, 1137-1143.
  • Liaw, A., Wiener, M. (2002) Classification and regression by random forest, R News, vol.2/3, 18-22. http://www.bios.unc.edu/~dzeng/BIOS740/randomforest.pdf. Erişim Tarihi: 01.01.2016.
  • Manning, W. (2006) Dealing with skewed data on costs and expenditures, Jones A.M. (2006) The Elgar Companion to Health Economics, Second Edition, Edward Elgar Publishing, Inc. Massachusetts, USA, p.439-446.
  • Manning, W.G. (1998) The logged dependent variable, heteroscedasticity, and the retransformation problem, Journal of Health Economics, 17(3), 283-295. doi: 10.1016/S0167-6296(98)00025-3.
  • Martin, M.J.J., Gonzalez, M.P.L.A. ve Garcia, M.D.C. (2011) Review of the literature on the determinants of healthcare expenditure, Applied Economics, 43(1), 19-46. doi: 10.1080/00036841003689754.
  • Mattera, D. ve Haykin, S. (1999) Support vector machines for dynamic reconstruction of a chaotic system, Ed. Schöl B. Burges C.J.C. Smola A.J. (1999) Advances in Kernel Methods, Massachusetts Institute of Technology (MIT), 211-239.
  • Mihaylova, B., Briggs, A., O’Hagan, A. ve Thompson, S.G. (2011) Review of statistical methods for analysing healthcare resources and costs, Health Economics, 20(8), 897-916. doi: 10.1002/hec.1653.
  • Rodriguez, J.J., Diez-Pastor, J.F., Gonzalez A.A. ve Garcia-Osorio, C. (2015) An experimental study on combining binarization techniques and ensemble methods of decision trees, Multiple Classifier Systems 12th International Workshop, MCS 2015, Günzburg, Germany, June 29-July 1 2015 Proceedings, Springer.
  • Schölkopf, B., Smola, A.J. (2002) Learning with kernels. Support vector machines, regularization, optimization, and beyond, The MIT Press, Cambridge, Massachusetts, London, England.
  • Sinha, R.K., Chatterjee, K., Nair, N. ve Tripathy, P.K. (2016) Determinants of out-of-pocket and catastrophic health expenditure: a cross sectional study, British Journal of Medicine & Medical Research, 11(8), 1-11. doi : 10.9734/BJMMR/2016/21470.
  • Suthaharan, S. (2016) Support vector machine. Machine learning models and algorithms for big data classification, Integrated Series in Information Systems, vol.36, 207-235.
  • Tibshirani, R. (1996) Regression shrinkage and selection via the lasso, Journal of the Royal Statistical Society, 58(1): 267-288. doi: 10.1111/j.1467-9868.2011.00771.x.
  • Tsamardinos, I., Rakhshani, A. ve Lagani, V. (2015). Performance-estimation properties of cross-validation-based protocols with simultaneous hyper-parameter optimization, International Journal of Artificial Intelligence Tools, 24(5), 1-
  • http://www.mensxmachina.org/wp-content/uploads/2014/03/SETN-2014-Model Selection.pdf. Erişim Tarihi: 01.02.2016.
  • Vapnik, V., Golowich, S.E. ve Smola, A. (1997). Support vector method for function approximation, regression estimation and signal processing, In M. Mozer, M. Jordan and T. Petshe, editors, Advances in Neural Information Processing Systems, 9. Cambridge MA. 1997. MIT Press. 281-287.
  • Wang, W. ve Xu, Z. (2004). A heuristic training for support vector regression, Neurocomputing, 61, 259-275. doi: 10.1016/j.neucom.2003.11.012.
  • WHO (World Health Organization) The World Health Report 2000: Improving health systems: improving performance, The World Health Organization.
  • Witten, I.H. ve Frank, E. (2005) Data mining practical machine learning tools and techniques, Second Edition, Morgan Kaufmann Publications, Elsevier, San Francisco, USA.
  • Yılmaz, E. (2016). Kardiotokogram verisinden fetal iyilik halinin belirlenmesi için bir karar destek sistemi, Uludag University Journal of The Faculty of Engineering, 21(2):331-340. doi: 10.17482/uumfd.278033.
  • Zheng, A. (2015) Evaluating machine learning models a beginner’s guide to key concepts and pitfalls, O’Reilly, USA.

SAĞLIK HARCAMASININ TAHMİNİNDE MAKİNE ÖĞRENMESİ REGRESYON YÖNTEMLERİNİN KARŞILAŞTIRILMASI

Yıl 2017, Cilt: 22 Sayı: 2, 179 - 200, 19.09.2017
https://doi.org/10.17482/uumfd.338805

Öz

Farklı veri setleri üzerinde yapılan uygulamalar
sonucunda modellenmesi zor olan değişkenlerin varlığında klasik regresyon
yöntemlerine alternatif olarak makine öğrenmesi regresyon yöntemlerinin
kullanımı tavsiye edilmektedir. Sağlık harcaması modellenmesi zor olan bir
değişken olup, literatürde makine öğrenmesi regresyon yöntemleri karşılaştırılarak
bu değişkenin modellendiği bir çalışmaya rastlanmamıştır. Bu çalışmada kişi
başı sağlık harcamasının tahmini amacıyla bir çoklu regresyon modeli
oluşturulmuştur. Farklı hiperparametre değerleri belirlendiğinde elde edilen
Lasso Regresyon, Rastgele Ağaç Regresyonu ile Destek Vektör Makinesi Regresyon
performans sonuçları karşılaştırılmıştır. Çalışmada hiperparametre değeri
olarak Lasso Regresyon için lamda (λ) değeri, Rastgele Ağaç Regresyonu için
ağaç sayısı, Destek Vektör Regresyonu için epsilon (
) değeri esas alınmıştır. Sonuçlar 5 ile 50
arasında değişen “k” parça çapraz geçerlilik uygulanarak performe edildiğinde makine
öğrenmesi regresyon yöntemlerine ait performans sonuçlarının R2,
RMSE ve MAE değerleri bakımından istatistiksel olarak anlamlı farklılıklar gösterdiği
(p
<0.001) tespit
edilmiştir. Tahmin performanslarına ait yüzey ve çubuk grafikleri ile
istatistiksel test sonuçları incelendiğinde farklı hiperparametre değerlerine
göre Rastgele Ağaç Regresyonun (R2 ˃ 0.7500, RMSE ≤ 0.6000 ve MAE ≤
0.4000) daha iyi tahmin sonuçlarına sahip olduğu belirlenmiştir. Çalışma
sonuçlarının, sağlık harcamasının modellendiği araştırmalar için makine
öğrenmesi regresyon yöntemleri kullanıldığında en uygun hiperparametre
değerlerinin belirlenmesi konusunda katkı sağlaması beklenmektedir. 

Kaynakça

  • Alpar R. (2011) Uygulamalı çok değişkenli istatistiksel yöntemler, Detay Yayıncılık, Ankara, 415-620.
  • Basu, A., Manning, W.G. ve Mullahy, J. (2004). Comparing alternative model: log and cox proportional hazard? Health Economics, 13(8), 749-765. doi: 10.1002/hec.852.
  • Belloni, A., Chernozhukov, V., Hansen, C. (2012) Inference for high-dimensional sparse econometric models. https://arxiv.org/abs/1201.0220. doi: 10.1017/CBO9781139060035.008. Erişim Tarihi: 01.01.2016.
  • Bergstra, J. ve Bengio, Y. (2012) Random search for hyper-parameter optimization. Journal of Machine Learning Research, 13, 281-305. http://www.jmlr.org/papers/volume13/bergstra12a/bergstra12a.pdf. Erişim Tarihi: 01.02.2016.
  • Box, G.E.P. ve Cox, D.R. (1964) An analysis of transformations, Journal of the Royal Statistical Society, 26(2), 211-252. doi: 10.1.1.321.3819.
  • Brieman, L. (2001) Random forests, Machine Learning, 45, 5-32. doi: 10.1023%2FA%3A1010933404324.
  • Cherkassky, V. ve Ma, Y. (2004) Practical selection of SVM parameters and noise estimation for SVM regression, Neural Networks, 17(1), 113-126. doi:10.1016/S0893-6080(03)00169-2.
  • Cosgun E., Karaağaoğlu E. (2011). Veri madenciliği yöntemleriyle mikrodizilim gen ifade analizi, Hacettepe Tıp Dergisi, 42, 180-189. http://docplayer.biz.tr/3432783-Veri-madencili-i-yontemleriyle-mikrodizilim-gen-ifade-analizi.html. Erişim Tarihi: 01.02.2016.
  • Collins, B. (2016) Big data and health economics: strengths, weaknesses, opportunities and threats, Pharmacoeconomics, 34(2), 101-106. doi: 10.1007/s40273-015-0306-7.
  • Cristianini, N. ve Shawe-Taylor, J. (2000). An introduction to support vector machines and other Kernel based learning methods, Cambridge University Press, UK, 93-122.
  • Crown, W.H. (2015) Potential application of machine learning in health outcomes research and statistical cautions, Value in Health, 18(2), 137-140. doi: 10.1016/j.jval.2014.12.005.
  • Duan, K., Keerthi, S.S., Poo, A.N. (2003) Evaluation of simple performance measures for tuning SVM hyperparameters, Neurocomputing, 51, 41-59. doi.org/10.1016/S0925-2312(02)00601-X.
  • Einav, L., Levin, J.D. (2014) The data revolution and economic analysis. NBER/Innovation Policy and the Economy, 14(1): 1-24. doi: 10.3386/w19035.
  • Elasan, S., Keskin, S., Arı E. (2016) İlişkili bileşen regresyonu: DNA hasarını belirleme modeli üzerinde uygulanması, Türkiye Klinikleri Biyoistatistik Dergisi, 8(1): 45-52. doi: 10.5336/biostatic.2015-48311.
  • Frank, I.E., Friedman J.H. (1993) A statistical view of some chemometrics regression tools. Technometrics, 35, 109-148. doi: 10.2307/1269656.
  • Frenk, J. (2010) The global health system: strengthening national health systems as the next step for global progress, PLOS Medicine, 7(1), 1-3. doi: 10.1371/journal.pmed.1000089.
  • Gislason, P.O., Benediktsson, J.A., Sveinsson, J.R. (2006) Random Forest for land cover classification. Pattern Recognition Letters, 27(4), 294-300. doi: 10.1016/j.patrec.2005.08.011.
  • Gupta, I., Mitra, A. (2004) Economic growth, health and poverty: an exploratory study for India, Development Policy Review, 22(2), 193-206. doi: 10.1111/j.1467-7679.2004.00245.x.
  • Hassan, S.S., Farhan, M., Mangayil, R., Huttunen, H., Aho, T. (2013) Bioprocess data mining using regularized regression and random forests, BMC System Biology, 7(1):1-7. doi: 10.1186/1752-0509-7-S1-S5.
  • Hastie, T., Tibshirani, R. ve Friedman, J. (2009) Random Forest. The elements of statistical learning data mining, Inference and Prediction. Springer Series in Statistics, 587-613.
  • Hawkins, D.M. (2004) The problem of overfitting, Journal of Chemical Information and Modeling, 44(1), 1-12. doi: 10.1021/ci0342472.
  • Jaggi, M. (2014) An equivalence between the lasso and support vector machines, https://arxiv.org/pdf/1303.1152.pdf, Erişim Tarihi: 16.5.2017. arXiv:1303.1152v2.
  • Jones, A.M., Rice, N., d’Uva, T.B. ve Balai, S. (2007) Applied health economics, Routledge, Taylor & Francis, London and New York, 280-319.
  • Kavaklıoğlu, K. (2011) Modeling and prediction of Turkey’s electricity consumption using support vector regression, Applied Energy, 88(1), 368-375. doi: 10.1016/j.apenergy.2010.07.021.
  • Kazem, A., Sharifi, E., Hussain, F.K., Saberi, M. ve Hussain, O.K. (2013) Support vector regression with chaos-based firefly algorithm for stock market price forecasting. Applied Soft Computing, 13(2), 947-958. doi: 10.1016/j.asoc.2012.09.024.
  • Kohavi, R. (1995) A study of cross-validation and bootstrap for accuracy estimation and model selection, International Joint Conference on Artificial Intelligence (IJCAI’95), vol.2, 1137-1143.
  • Liaw, A., Wiener, M. (2002) Classification and regression by random forest, R News, vol.2/3, 18-22. http://www.bios.unc.edu/~dzeng/BIOS740/randomforest.pdf. Erişim Tarihi: 01.01.2016.
  • Manning, W. (2006) Dealing with skewed data on costs and expenditures, Jones A.M. (2006) The Elgar Companion to Health Economics, Second Edition, Edward Elgar Publishing, Inc. Massachusetts, USA, p.439-446.
  • Manning, W.G. (1998) The logged dependent variable, heteroscedasticity, and the retransformation problem, Journal of Health Economics, 17(3), 283-295. doi: 10.1016/S0167-6296(98)00025-3.
  • Martin, M.J.J., Gonzalez, M.P.L.A. ve Garcia, M.D.C. (2011) Review of the literature on the determinants of healthcare expenditure, Applied Economics, 43(1), 19-46. doi: 10.1080/00036841003689754.
  • Mattera, D. ve Haykin, S. (1999) Support vector machines for dynamic reconstruction of a chaotic system, Ed. Schöl B. Burges C.J.C. Smola A.J. (1999) Advances in Kernel Methods, Massachusetts Institute of Technology (MIT), 211-239.
  • Mihaylova, B., Briggs, A., O’Hagan, A. ve Thompson, S.G. (2011) Review of statistical methods for analysing healthcare resources and costs, Health Economics, 20(8), 897-916. doi: 10.1002/hec.1653.
  • Rodriguez, J.J., Diez-Pastor, J.F., Gonzalez A.A. ve Garcia-Osorio, C. (2015) An experimental study on combining binarization techniques and ensemble methods of decision trees, Multiple Classifier Systems 12th International Workshop, MCS 2015, Günzburg, Germany, June 29-July 1 2015 Proceedings, Springer.
  • Schölkopf, B., Smola, A.J. (2002) Learning with kernels. Support vector machines, regularization, optimization, and beyond, The MIT Press, Cambridge, Massachusetts, London, England.
  • Sinha, R.K., Chatterjee, K., Nair, N. ve Tripathy, P.K. (2016) Determinants of out-of-pocket and catastrophic health expenditure: a cross sectional study, British Journal of Medicine & Medical Research, 11(8), 1-11. doi : 10.9734/BJMMR/2016/21470.
  • Suthaharan, S. (2016) Support vector machine. Machine learning models and algorithms for big data classification, Integrated Series in Information Systems, vol.36, 207-235.
  • Tibshirani, R. (1996) Regression shrinkage and selection via the lasso, Journal of the Royal Statistical Society, 58(1): 267-288. doi: 10.1111/j.1467-9868.2011.00771.x.
  • Tsamardinos, I., Rakhshani, A. ve Lagani, V. (2015). Performance-estimation properties of cross-validation-based protocols with simultaneous hyper-parameter optimization, International Journal of Artificial Intelligence Tools, 24(5), 1-
  • http://www.mensxmachina.org/wp-content/uploads/2014/03/SETN-2014-Model Selection.pdf. Erişim Tarihi: 01.02.2016.
  • Vapnik, V., Golowich, S.E. ve Smola, A. (1997). Support vector method for function approximation, regression estimation and signal processing, In M. Mozer, M. Jordan and T. Petshe, editors, Advances in Neural Information Processing Systems, 9. Cambridge MA. 1997. MIT Press. 281-287.
  • Wang, W. ve Xu, Z. (2004). A heuristic training for support vector regression, Neurocomputing, 61, 259-275. doi: 10.1016/j.neucom.2003.11.012.
  • WHO (World Health Organization) The World Health Report 2000: Improving health systems: improving performance, The World Health Organization.
  • Witten, I.H. ve Frank, E. (2005) Data mining practical machine learning tools and techniques, Second Edition, Morgan Kaufmann Publications, Elsevier, San Francisco, USA.
  • Yılmaz, E. (2016). Kardiotokogram verisinden fetal iyilik halinin belirlenmesi için bir karar destek sistemi, Uludag University Journal of The Faculty of Engineering, 21(2):331-340. doi: 10.17482/uumfd.278033.
  • Zheng, A. (2015) Evaluating machine learning models a beginner’s guide to key concepts and pitfalls, O’Reilly, USA.
Toplam 45 adet kaynakça vardır.

Ayrıntılar

Konular Mühendislik
Bölüm Araştırma Makaleleri
Yazarlar

Songül Çınaroğlu

Yayımlanma Tarihi 19 Eylül 2017
Gönderilme Tarihi 7 Mart 2016
Kabul Tarihi 19 Ağustos 2017
Yayımlandığı Sayı Yıl 2017 Cilt: 22 Sayı: 2

Kaynak Göster

APA Çınaroğlu, S. (2017). SAĞLIK HARCAMASININ TAHMİNİNDE MAKİNE ÖĞRENMESİ REGRESYON YÖNTEMLERİNİN KARŞILAŞTIRILMASI. Uludağ Üniversitesi Mühendislik Fakültesi Dergisi, 22(2), 179-200. https://doi.org/10.17482/uumfd.338805
AMA Çınaroğlu S. SAĞLIK HARCAMASININ TAHMİNİNDE MAKİNE ÖĞRENMESİ REGRESYON YÖNTEMLERİNİN KARŞILAŞTIRILMASI. UUJFE. Ağustos 2017;22(2):179-200. doi:10.17482/uumfd.338805
Chicago Çınaroğlu, Songül. “SAĞLIK HARCAMASININ TAHMİNİNDE MAKİNE ÖĞRENMESİ REGRESYON YÖNTEMLERİNİN KARŞILAŞTIRILMASI”. Uludağ Üniversitesi Mühendislik Fakültesi Dergisi 22, sy. 2 (Ağustos 2017): 179-200. https://doi.org/10.17482/uumfd.338805.
EndNote Çınaroğlu S (01 Ağustos 2017) SAĞLIK HARCAMASININ TAHMİNİNDE MAKİNE ÖĞRENMESİ REGRESYON YÖNTEMLERİNİN KARŞILAŞTIRILMASI. Uludağ Üniversitesi Mühendislik Fakültesi Dergisi 22 2 179–200.
IEEE S. Çınaroğlu, “SAĞLIK HARCAMASININ TAHMİNİNDE MAKİNE ÖĞRENMESİ REGRESYON YÖNTEMLERİNİN KARŞILAŞTIRILMASI”, UUJFE, c. 22, sy. 2, ss. 179–200, 2017, doi: 10.17482/uumfd.338805.
ISNAD Çınaroğlu, Songül. “SAĞLIK HARCAMASININ TAHMİNİNDE MAKİNE ÖĞRENMESİ REGRESYON YÖNTEMLERİNİN KARŞILAŞTIRILMASI”. Uludağ Üniversitesi Mühendislik Fakültesi Dergisi 22/2 (Ağustos 2017), 179-200. https://doi.org/10.17482/uumfd.338805.
JAMA Çınaroğlu S. SAĞLIK HARCAMASININ TAHMİNİNDE MAKİNE ÖĞRENMESİ REGRESYON YÖNTEMLERİNİN KARŞILAŞTIRILMASI. UUJFE. 2017;22:179–200.
MLA Çınaroğlu, Songül. “SAĞLIK HARCAMASININ TAHMİNİNDE MAKİNE ÖĞRENMESİ REGRESYON YÖNTEMLERİNİN KARŞILAŞTIRILMASI”. Uludağ Üniversitesi Mühendislik Fakültesi Dergisi, c. 22, sy. 2, 2017, ss. 179-00, doi:10.17482/uumfd.338805.
Vancouver Çınaroğlu S. SAĞLIK HARCAMASININ TAHMİNİNDE MAKİNE ÖĞRENMESİ REGRESYON YÖNTEMLERİNİN KARŞILAŞTIRILMASI. UUJFE. 2017;22(2):179-200.

Cited By



Data Mining, Weka Decision Trees
Orclever Proceedings of Research and Development
https://doi.org/10.56038/oprd.v3i1.376






DUYURU:

30.03.2021- Nisan 2021 (26/1) sayımızdan itibaren TR-Dizin yeni kuralları gereği, dergimizde basılacak makalelerde, ilk gönderim aşamasında Telif Hakkı Formu yanısıra, Çıkar Çatışması Bildirim Formu ve Yazar Katkısı Bildirim Formu da tüm yazarlarca imzalanarak gönderilmelidir. Yayınlanacak makalelerde de makale metni içinde "Çıkar Çatışması" ve "Yazar Katkısı" bölümleri yer alacaktır. İlk gönderim aşamasında doldurulması gereken yeni formlara "Yazım Kuralları" ve "Makale Gönderim Süreci" sayfalarımızdan ulaşılabilir. (Değerlendirme süreci bu tarihten önce tamamlanıp basımı bekleyen makalelerin yanısıra değerlendirme süreci devam eden makaleler için, yazarlar tarafından ilgili formlar doldurularak sisteme yüklenmelidir).  Makale şablonları da, bu değişiklik doğrultusunda güncellenmiştir. Tüm yazarlarımıza önemle duyurulur.

Bursa Uludağ Üniversitesi, Mühendislik Fakültesi Dekanlığı, Görükle Kampüsü, Nilüfer, 16059 Bursa. Tel: (224) 294 1907, Faks: (224) 294 1903, e-posta: mmfd@uludag.edu.tr