TIBBİ TANI VERİ SETLERİ ÜZERİNDE KLASİK VE KUANTUM SVM MODELLERİNİN KARŞILAŞTIRMALI ANALİZİ

Abstract

Kuantum destekli makine öğrenimi yaklaşımları, özellikle yüksek boyutlu ve karmaşık veri kümeleriyle çalışırken klasik yöntemlere alternatif çözümler sunarak sağlık alanında önemli bir araştırma konusu hâline gelmiştir. Bu çalışma, sağlık verileri üzerinde klasik Destek Vektör Makineleri (SVM) ile kuantum tabanlı algoritmalar olan Kuantum Destek Vektör Makinesi (QSVM) ve Pegasos-QSVM'nin sınıflandırma performanslarının karşılaştırmalı bir değerlendirmesini sunmaktadır. Karaciğer hastalığı, meme kanseri ve kalp yetmezliğiyle ilgili üç farklı tıbbi veri seti kullanılarak deneysel analizler gerçekleştirilmiştir. Elde edilen sonuçlar, QSVM modelinin tutarlı bir şekilde en yüksek ve en istikrarlı sınıflandırma doğruluğunu sağladığını göstermektedir. Pegasos-QSVM modeli belirli konfigürasyonlarda benzer doğruluk oranlarına ulaşsa da, genel olarak daha değişken bir performans sergilemiştir. Bununla birlikte, daha düşük hesaplama maliyeti ve daha hızlı işlem süresi sayesinde Pegasos-QSVM, özellikle kaynakların kısıtlı olduğu ortamlarda umut vadeden bir alternatif olarak öne çıkmaktadır. Bulgular, kuantum destekli modellerin klasik yaklaşımlarla rekabet edebilecek düzeyde performans gösterebildiğini ve özellikle QSVM’nin küçük ve orta ölçekli veri kümelerinde etkili olduğunu ortaya koymaktadır.