Günümüzde, neredeyse her alanda yapay öğrenme yöntemleri kullanılmaktadır. Yapay öğrenme yöntemlerinin veterinerlik alanında kullanımı oldukça yenidir ve veterinerlik alanında yapılmış çalışmalarda başarılı sonuçlar elde edildiği bilinmektedir. Hayvan ve hayvansal üretimdeki azalma ülke ekonomisini kötü yönde etkilemektedir. Hayvancılığa talebi artırmak ve veteriner hekimin işini kolaylaştırmak için veterinerlik alanında yapay öğrenme yöntemlerini kullanma oldukça önem arz etmektedir. Bu çalışmada normalizasyon tekniklerinin yapay sinir ağı performansına etkisini gözlemleyebilmek için veri setindeki değerler minimum-maksimum, ondalık ölçeklendirme, z-skor ve sigmoid normalizasyon teknikleri ile normalize edilmiştir. Daha sonra kuzularda hastalık teşhisi için, ham veri seti ve elde edilen dört veri seti kullanılarak yapay sinir ağı yöntemi ile sınıflandırma yapılmıştır. Çalışma sonucunda, ham veri le yapılan sınıflandırmadan en başarısız sonuçlar (doğruluk = 0.837, duyarlılık = 0.118, seçicilik = 0.977, f-ölçümü = 0.19) elde edilirken, z-skor veri seti ile yapılan sınıflandırmada ise en başarılı sonuçlar (doğruluk = 0.902, duyarlılık = 0.267, seçicilik = 1, f-ölçümü = 0.421) elde edilmiştir.
Nowadays, machine learning methods are used in almost every field. The use of machine learning methods in the field of veterinary field is quite new and it is known that successful results have been obtained in veterinary studies. The decline in animal and animal production affects the country's economy in the worst way. It is very important to use artificial learning methods in the veterinary field in order to increase the demand for animal husbandry and to facilitate the work of the veterinarian. In this study, the values in the data set were normalized by minimum-maximum, decimal scaling, z-score and sigmoid normalization techniques in order to observe the effect of normalization techniques on artificial neural network performance. Then, for the diagnosis of disease in the lambs, the raw data set and the four obtained data sets were used to classify by artificial neural network method. As a result of the study, the most unsuccessful results were obtained without classifying the raw data set (accuracy = 0.837, sensitivity = 0.118, specificity = 0.977, f-measure = 0.19) and the most successful results were obtained with the z-score data set (accuracy = 0.902, sensitivity = 0.267, specificity = 1, f-measure = 0.421).
By subscribing to E-Newsletter, you can get the latest news to your e-mail.
