nsanlar hayatları boyunca farklı zamanlarda çeşitli sebeplerden dolayı kan ve kan ürünlerine gerek
duymaktadırlar. Kan ve kandan elde edilen ürünler laboratuvar koşullarında elde edilemeyip yalnızca insandan
elde edildiğinden, hayati önem taşıyan kanın sağlıklı bireylerden sağlanması gerekmektedir. Karaciğer
rahatsızlıkları ile ilgili, Hepatit çeşitleri, karaciğer kanseri, karaciğer büyümesi, karaciğer yetmezliği, siroz ve
benzeri hastalıklar kanın durumunu belirleyen etmenlerin başında gelir. Bu hastalıklar ilerledikçe telafisi mümkün
olmayan zararlara yol açabileceği için erken teşhis edilip tedavi edilmesi ve kan verilecek kişilere de bulaş riskini
ortadan kaldırmak için hayati önem arz etmektedir. Son yıllarda birçok alanda kullanılan bilgisayar destekli
öğrenme yöntemleri, bu alanda da geleneksel yöntemlere ilaveten hekimlere fikir verici olarak kullanılmaktadır.
Bu çalışmada amaç, makine öğrenme yöntemleri ile karaciğer hastalıklarının tespiti ve donörlerin kan bağışı
yapmaya elverişli olup olmadıklarını kan değerlerinden tespit etmektir. Sınıflandırma için, Karar Ağaçları, Destek
Vektör Makinesi ve k-en yakın komşuluk algoritmaları kullanılıp doğruluk ve gerçek oran performans ölçütleri ile
değerlendirilmiştir
People need blood and blood products for various reasons at different times throughout their lives. Since blood
and products obtained from blood cannot be obtained in laboratory conditions, but only from humans, vital blood
must be obtained from healthy individuals. Hepatitis types, liver cancer, liver enlargement, liver failure, cirrhosis
and similar diseases are among the factors that determine the state of the blood. Since these diseases can cause
irreparable harm as they progress, it is vital to diagnose and treat early and to eliminate the risk of transmission to
those who will be given blood. Computer-aided learning methods, which have been used in many fields in recent
years, are also used in this field as an idea for doctors in addition to traditional methods. The aim of this study is
to detect liver diseases with machine learning methods and to determine whether donors are suitable for blood
donation from blood values. For classification, Decision Trees, Support Vector Machine and k-nearest neighbor
algorithms were used and evaluated with accuracy and true rate performance measures.
