Zor Örnek Farkındalıklı Kalp Hastalığı Tahmini: SHAP Tabanlı Etkileşim Mühendisliği ve Hibrit Topluluk Öğrenme Yaklaşımı

Creative Commons License

Demir E., AYIK Y. Z.

Journal of Materials and Mechatronics:A (Online), cilt.7, sa.1, ss.34-55, 2026 (TRDizin)

Özet

Bu çalışma, kalp hastalığı teşhisinde karşılaşılan sınıflandırma problemlerine yönelik, güvenilirliği ve doğruluğu artırmayı hedefleyen aşamalı bir model geliştirme süreci (T0–T3) sunmaktadır. Bu süreç, varsayılan modellerden (T0) başlayarak, SHapley Additive exPlanations (SHAP) tabanlı özellik mühendisliği ve hiperparametre optimizasyonu (T1), olasılık kalibrasyonu (T2) ve zor örnekler için özel bir hibrit yaklaşımı (T3) içerir. Veriler %70 eğitim/%30 test şeklinde ayrılmış ve en iyi model çok ölçütlü seçim yöntemleri (tekil metrikler, bileşik puanlama) kullanılarak belirlenmiştir. Bulgular, kalibrasyonun olasılık güvenilirliğini artırarak triyaj eşiği belirlemede kolaylık sağladığını; hibrit mimarinin ise zor örneklerde duyarlılığı artırırken genel performansta rekabetçi kaldığını göstermektedir. Bu çalışma, sadece doğruluk metriklerine değil, aynı zamanda güvenilirlik ölçütlerine de odaklanarak klinik karar desteği için şeffaf ve hesap verebilir bir çerçeve sunmaktadır.
This study presents a stepwise model development process (T0–T3) aimed at improving reliability and accuracy in addressing classification problems encountered in the diagnosis of heart disease. The process begins with baseline models (T0) and includes SHapley Additive exPlanations (SHAP) based feature engineering and hyperparameter optimization (T1), probability calibration (T2), and a specialized hybrid approach for hard examples (T3). Data was split into a 70% training and 30% test set, and the best model was identified using a multi-criteria selection approach (single metrics, composite scoring). Our findings show that calibration improves the reliability of probability scores, which in turn facilitates the determination of triage thresholds. The hybrid architecture, while boosting sensitivity for challenging cases, remains competitive with the overall performance of a single best model. This work offers a transparent and accountable framework for clinical decision support by focusing not only on accuracy metrics but also on reliability measures.