Sınıflandırma problemlerinde yapay sinir ağı metotları kullanılarak performanslarının değerlendirilmesi
Yükleniyor...
Dosyalar
Tarih
2021
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Selçuk Üniversitesi Fen Bilimleri Enstitüsü
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Yapay zekâ insanlara has özelliklerden olan akıl yürütme, mevcut bilgilerden çıkarım yapma, bilgileri kullanarak genelleme yapabilmesi ve geçmiş tecrübelerimizden yararlanarak yaşantımızda kalıcı etki bırakması (öğrenme) gibi zihinsel süreçlerimize ait yeteneklerin bir bilgisayar ya da makineye sezgisel ve meta-sezgisel yöntemlerle geliştirilen programlar yardımıyla kazandırılmasını sağlayan geniş ve kapsamlı bir çalışma alanıdır. Yapay sinir ağı karşımıza en çok çıkan Yapay Zekâ yöntemlerinden bir tanesidir. Sınıflandırma ve Tahmin problemlerinde sıkça kullanılan Yapay Sinir Ağlarının eğitilmesinde kullanılan ve geliştirilen sezgisel ve meta-sezgisel çok sayıda algoritma bulunmaktadır. Gün geçtikçe de bu algoritmaların sayısı artmaya devam etmektedir. Bu tez çalışmasında YSA'ların eğitiminde kullanılan metotlardan İleri Beslemeli Sinir Ağı, Kademeli İleri Sinir Ağı, Genelleştirilmiş Regresyon Sinir Ağı, Olasılıksak Sinir Ağı ve Tekrarlayan Sinir Ağı kullanılarak YSA ağları eğitilmiş sonuçlar tek ara katmanlı sinir ağı ve çok ara katmanlı 10 kat çapraz doğrulamalı sinir ağları ile YSA'ların performans değerleri belirlenmiştir. Tez çalışmamızın performanslarını kontrol etmek adına UCI Machine Learning Repository'de yer alan Ionosphere, Iris ve Wine olmak üzere 3 veri kümesi deneysel sonuçlarda kullanılmıştır. Deney sonuçlarında Karışıklık matrisleri bulunmuş ve bu karışıklık matrisinden yaralanarak sınıflandırma doğrulukları, hassasiyetleri, duyarlılık ve F1-Skorları dinamik olarak yapılan kodlama ile parametreler istenildiği zaman güncellenebilmektedir. Belirlenen parametreler ile hem tek ara katman için hem çok ara katmanlı 10 kat çapraz doğrulama teknikleri kullanılarak hedeflenen değerler hesaplanmıştır. Ionosphere veri kümesi üzerinde Tek Ara Katmanlı metotlardan %88,57 ile en yüksek doğruluk derecesi İleri Beslemeli Sinir Ağı metodu ile sağlanırken, Çok Ara Katmanlı ve 10 Kat Çapraz Doğrulama kullanan metotlardan %96,58 ile en yüksek doğruluk derecesine Kademeli İleri Sinir Ağı metodu ulaşmıştır. Iris veri kümesi üzerinde Tek Ara Katmanlı metotlardan %98,67 ile en yüksek doğruluk derecesi Tekrarlayan Sinir Ağı metodu ile sağlanırken, Çok Ara Katmanlı ve 10 Kat Çapraz Doğrulama kullanan metotlardan %100 ile en yüksek doğruluk derecesine yine Tekrarlayan Sinir Ağı metodu ulaşmıştır. Şarap veri kümesi üzerinde Tek Ara Katmanlı metotlardan %96,63 ile en yüksek doğruluk derecesine İleri Beslemeli Sinir Ağı ve Kademeli İleri Sinir Ağı metotları ile sağlanırken, Çok Ara Katmanlı ve 10 Kat Çapraz Doğrulama kullanan metotlardan %100 ile en yüksek doğruluk derecesine Tekrarlayan Sinir Ağı metodu ulaşmıştır.
Artificial intelligence is a wide and comprehensive field of study which is about the acquisition of the abilities of our mental processes such as reasoning, making inferences from existing information, making generalizations using information, and making a permanent effect in our lives (learning) by making use of our past experiences to a computer or machine with the help of programs developed with intuitive and meta-intuitive methods. Artificial neural network is one of the most common Artificial Intelligence methods. There are many heuristic and meta-heuristic algorithms that are used and developed in training Artificial Neural Networks, which are frequently used in Classification and Prediction problems. The number of these algorithms continues to increase day by day. In this thesis study, ANN networks were trained using the methods used in the training of ANNs: Feed Forward Neural Network, Graded Advanced Neural Network, Generalized Regression Neural Network, Probability Neural Network and Recurrent Neural Network. Performance values of ANNs were determined with the results of single interlayer neural network and multi-interlayer 10-fold cross verification neural networks. In order to evaluate the performances of our thesis, 3 data sets, Ionosphere, Iris and Wine, which are in the UCI Machine Learning Repository, were used in the experimental results. Confusion matrices were found in the experimental results and by using this confusion matrix, the classification accuracies, sensitivity, specificity and F1-Scores can be updated at any time by dynamically coding. Target values were calculated by using the determined parameters for both single interlayer and multi-interlayer 10-fold cross validation techniques. On the Ionosphere dataset, the highest accuracy value with 88.57% of the Single Interlayer methods was provided by the Feed Forward Neural Network method, while the Stepped Advanced Neural Network method reached the highest accuracy with 96.58% among the methods using Multi-Interlayer and 10-Fold Cross Validation. On the Iris dataset, the highest accuracy value of 98.67% and 100% was achieved with both Single Interlayer and Multi-Interlayer and 10-fold Cross Verification methods by using Recurrent Neural Network method. On the wine data set, the highest accuracy value with 96.63% from Single Interlayer methods is provided by the Feed Forward Neural Network and Progressive Neural Network methods, while the Recurrent Neural Network method reached the highest accuracy with 100% among the methods using Multi-Interlayer and 10-Fold Cross Validation.
Artificial intelligence is a wide and comprehensive field of study which is about the acquisition of the abilities of our mental processes such as reasoning, making inferences from existing information, making generalizations using information, and making a permanent effect in our lives (learning) by making use of our past experiences to a computer or machine with the help of programs developed with intuitive and meta-intuitive methods. Artificial neural network is one of the most common Artificial Intelligence methods. There are many heuristic and meta-heuristic algorithms that are used and developed in training Artificial Neural Networks, which are frequently used in Classification and Prediction problems. The number of these algorithms continues to increase day by day. In this thesis study, ANN networks were trained using the methods used in the training of ANNs: Feed Forward Neural Network, Graded Advanced Neural Network, Generalized Regression Neural Network, Probability Neural Network and Recurrent Neural Network. Performance values of ANNs were determined with the results of single interlayer neural network and multi-interlayer 10-fold cross verification neural networks. In order to evaluate the performances of our thesis, 3 data sets, Ionosphere, Iris and Wine, which are in the UCI Machine Learning Repository, were used in the experimental results. Confusion matrices were found in the experimental results and by using this confusion matrix, the classification accuracies, sensitivity, specificity and F1-Scores can be updated at any time by dynamically coding. Target values were calculated by using the determined parameters for both single interlayer and multi-interlayer 10-fold cross validation techniques. On the Ionosphere dataset, the highest accuracy value with 88.57% of the Single Interlayer methods was provided by the Feed Forward Neural Network method, while the Stepped Advanced Neural Network method reached the highest accuracy with 96.58% among the methods using Multi-Interlayer and 10-Fold Cross Validation. On the Iris dataset, the highest accuracy value of 98.67% and 100% was achieved with both Single Interlayer and Multi-Interlayer and 10-fold Cross Verification methods by using Recurrent Neural Network method. On the wine data set, the highest accuracy value with 96.63% from Single Interlayer methods is provided by the Feed Forward Neural Network and Progressive Neural Network methods, while the Recurrent Neural Network method reached the highest accuracy with 100% among the methods using Multi-Interlayer and 10-Fold Cross Validation.
Açıklama
Anahtar Kelimeler
Duyarlılık, Classification, Çapraz doğrulama, Hassasiyet, Makine öğrenmesi, Sınıflandırma, Yapay sinir ağları, Artificial neural networks, Cross validation, F1-Score, Machine learning, Precision, Recall, F1-Skor
Kaynak
WoS Q Değeri
Scopus Q Değeri
Cilt
Sayı
Künye
Yaşar, A. (2021). Sınıflandırma problemlerinde yapay sinir ağı metotları kullanılarak performanslarının değerlendirilmesi. (Yüksek Lisans Tezi). Selçuk Üniversitesi, Fen Bilimleri Enstitüsü, Konya.