Search

COVID-19 pandemisi ortaya çıktığından beri, enfekte olmuş bireylerin sayısını ve COVID-19 salgınının ölüm oranını tahmin etmek için dünya çapında birçok epidemiyolojik model geliştirilmiştir. CoVID-19 üzerinde makine öğrenimi teknikleri kullanılarak geliştirilmiş birkaç model bulunmaktadır. Ancak öznitelik seçimini ayrıntılı olarak ele alan çalışmalar oldukça sınırlıdır. Bu nedenle, bu çalışmanın amacı (i) çeşitli özelliklerin bağımsız ve etkileşimli etkilerini araştırmak ve (ii) COVID-19 salgınının ölüm oranını sınıflandırmak için önemli olan algoritmaları bulmaktır. Lojistik regresyon ve karar ağacının (C4.5, Random Forests ve REPTree) en uygun algoritmalar olduğu bulunmuştur. Öznitelik seçme yöntemleriyle elde edilen çeşitli öznitelikler, binde yeni test sayısı, milyonda yeni vaka, milyonda hastane hasta sayısı ve milyonda haftalık hastane kabulüdür. Bu çalışmanın önemi, birkaç özellik ile yüksek oranda sınıflandırma elde edilmiş olmasıdır. Bu çalışma, sınıflandırmada sadece en ilgili özelliklerin dikkate alınması gerektiğini ve sınıflandırmada tüm değişkenlerin kullanılmasının gerekli olmadığını göstermiştir., Since the COVID-19 pandemic has appeared, many epidemiological models are developed around the world to estimate the number of infected individuals and the death ratio of the COVID-19 outbreak. There are several models developed on COVID-19 by using machine learning techniques. However, studies that considered feature selection in detail are very limited. Therefore, the aim of this study is to (i) investigate the independent and interactive effects of a diverse set of features and (ii) find the algorithms that are significant for classifying the death ratio of the COVID-19 outbreak. It was found that logistic regression and decision tree (C4.5, Random Forests, and REPTree) are the most suitable algorithms. A diverse set of features obtained by feature selection methods are the number of new tests per thousand, new cases per million, hospital patients per million, and weekly hospital admissions per million. The importance of this study is that a high rate of classification was obtained with a few features. This study showed that only the most relevant features should be considered in classification and the use of all variables in classification is not necessary.

Various pandemics have been recorded in world history until today. The Covid-19 outbreak, which emerged at the end of 2019, has recently been a hot topic in the literature. In this work, extreme learning algorithms are presented as a comparative study for predicting the positive rate for the countries: India, Turkey, Italy, USA and UK. The features to be used in the learning phase are determined with the F-test feature selection method. For each extreme learning approach, results are obtained for each country with the root mean square error evaluation criteria. Accordingly, the radial basis kernel function produces the best estimation results, while the linear kernel function has the highest RMSE. Accordingly, the lowest RMSE value has been obtained for India as 4.17E-03 with the radial basis kernel function based ELM. Also, since Turkey's data contains too many outliers, it has the highest RMSE value (0.015 - 0.035) in linear kernel method among the countries., Dünya tarihinde bugüne kadar çeşitli pandemiler meydana gelmiştir. 2019 yılının sonunda ortaya çıkan Covid-19 salgını son zamanlarda literatürde güncel bir konu haline geldi. Bu çalışmada, aşırı öğrenme algoritmaları, en fazla pozitif vakaların görüldüğü ülkeler olan Hindistan, Türkiye, İtalya, ABD ve İngiltere için pozitif oranı tahmin etmeye yönelik karşılaştırmalı bir çalışma olarak sunulmaktadır. F-testi öznitelik seçme yöntemi ile öğrenme aşamasında kullanılacak öznitelikler belirlenir. Her bir aşırı öğrenme yaklaşımı ve her bir ülke için hata ortalama karekökü değerlendirme kriterleri ile sonuçlar elde edilir. Buna göre, radyal tabanlı çekirdek fonksiyonu en iyi tahmin sonuçlarını üretirken, doğrusal çekirdek fonksiyonu en yüksek RMSE'ye sahiptir. Buna göre Hindistan için en düşük RMSE değeri radyal tabanlı çekirdek fonksiyonu tabanlı ELM ile 4.17E-03 olarak elde edilmiştir. Ayrıca Türkiye verileri çok fazla aykırı değer içerdiğinden doğrusal çekirdek yönteminde ülkeler arasında en yüksek RMSE değerine (0.015 - 0.035) sahiptir.