GüREŞEN–kayakutlu 1 kho biLİm dergiSİ CİLT: 23 sayi: yil: 2013
Yüklə 411,56 Kb. Pdf görüntüsü
|
- Bu səhifədəki naviqasiya:
- Tablo 6 İterasyon sayıları için eşit varyans testi
GÜREŞEN–KAYAKUTLU
87 KHO BİLİM DERGİSİ CİLT: 23 SAYI: 1 YIL: 2013
Algoritmaların performanslarını kıyaslamadan önce algoritmaların sonuçlarının normal dağılıma uygunluğunun test edilmesi gerekmektedir. SPSS yazılımında uygulanan normallik testi sonucunda hata karalerinin sadece 2 ve 3 GSH’li ÇKA için normal dağılıma uydukları gözlenmiştir. Normal dağılıma uymayan durumlar için yüzden normal dağılım kabulu bulunmayan Mann-Whitney-U testi SPSS yazılımıyla uygulanmıştır. 4 ve 5 GSH’li ÇKA’lar için öncelikle varyans testi yapılması gerekmektedir. Bu amaçla “H0: İki yöntemin iterasyon sayılarının varyansları eşittir.” Hipotezine karşılık aşağıdaki hipotezler ile ortalamaların eşitliği test edilmiştir:
4 GSH için FA01V01 ile sabit yapılı ÇKA’nın iterasyon sayılarının varyansları eşit değildir. 0,011
6 0,915
H0 KABUL 2 H2 5 GSH için FA01V01 ile sabit yapılı ÇKA’nın iterasyon sayılarının varyansları eşit değildir. 4,366
0,043 H0 RED
Yukarıdaki tabloda verilen sonuçlar doğrultusunda H2hipotezi kabul edilmekte ve H1 hipotezi ise reddedilmektedir. Bu durumda her iki yöntem için beş gizli sinir hücreli (GSH) durumlarda iterasyon sayılarının varyanslarının eşit olmadığını, dört gizli sinir hücreli yapılar için ise iterasyon sayılarının varyanslarının eşit olduğunu görülmektedir. Ortalamaların karşılaştırması yapılırken (t-testi) eşit varyans durumları dikkate alınarak t-testi icra edilecektir. Bu durumda “H0: İki yöntemin sonuçlarının iterasyon sayıları eşittir.” Hipotezine karşılık aşağıdaki hipotezler ile ortalamaların eşitliği SPSS yazılımıyla test edilmiştir:
GÜREŞEN–KAYAKUTLU
88 KHO BİLİM DERGİSİ CİLT: 23 SAYI: 1 YIL: 2013
2 GSH için FA01V01 ile sabit yapılı ÇKA’nın iterasyon sayıları eşit değildir. 35
0,000 H0 RED
2 H2 3 GSH için FA01V01 ile sabit yapılı ÇKA’nın iterasyon sayıları eşit değildir. 60
0,000 H0 RED
3 H3 4 GSH için FA01V01 ile sabit yapılı ÇKA’nın iterasyon sayıları eşit değildir. -6,198
0,000 H0 RED
4 H4 5 GSH için FA01V01 ile sabit yapılı ÇKA’nın iterasyon sayıları eşit değildir. -6,347
0,000 H0 RED
Yukarıdaki tablo incelendiğinde dört durumda da H0 hipotezinin reddedilerek alternatif hipotezin kabul edildiği görülmektedir. Bu durumda iki yöntem arasında geri yayılım algoritmasının eşit sayıda iterasyonla sonuca ulaşmadığını söyleyebiliriz. Ortalamalara baktığımızda FA01V01 algoritmasının ortalama olarak sürekli daha az iterasyonda sonuca ulaştığını görmekteyiz. Bu durumda FA01V01 algortimasının geri yayılım ile öğrenme algoritmasının toplam iterasyon sayısını azalttığını söyleyebiliriz. Dikkat çeken diğer bir nokta ise gizli katmandaki sinir hücresi sayısı arttıkça özellikle FA01V01 algoritmasında ihtiyaç duyulan geri yayılım algoritması iterasyon sayısının azalmasıdır. Ayrıca 20’şer denemede bati yapılı ÇKA’nın 2, 3, 4 ve 5 GSH’li yapıda 0,024 OHK değerinin altına inemediği FA01V01 algoritması ile oluşturulan ÇKA’nın ise 2 GSH için 0,021, 3 GSH için 0,018; 4 GSH için 0,014 ve 5 GSH için 0,013 OHK değerlerine kadar inebildikleri tespit edilmiştir.
GÜREŞEN–KAYAKUTLU
89 KHO BİLİM DERGİSİ CİLT: 23 SAYI: 1 YIL: 2013 5. SONUÇ VE ÖNERİLER (DİSCUSSİON AND SUGGESTİONS)
Bu çalışmada geri yayılım algoritması ile eğitilen tek gizli katmanlı ÇKA modeli ile -küme çapraz geçerlilik ile oluşturulan tek katmanlı ÇKA modeli karşılaştırılmıştır. Gizli katmandaki gizli sinir hücreleri sabitlenerek farklı sayıda gizli sinir hücresini içeren ÇKA için çalışma tekrarlanmıştır. Elde edilen sonuçlar ortalama hata karesi (OHK) ve geri yayılım algoritmasında geçen toplam iterasyon sayısı dikkate alınarak incelenmiştir. Bu incelemede bir iterasyon olarak, geri yayılım algoritmasının tüm eğitim veir kümesini bir tam defa kullanması (epoch) kabul edilmiştir.
Sabit yapılı ÇKA için NeuroSolutions yazılımı, FA01V01 ile oluşturulan ÇKA için ise JAVA programlama dili kullanılarak geliştirilen NeuroBee yazılımı kullanılmıştır. Karşılaştırma yapılabilmesi için her iki yazılımda geri yayılım algoritmasının ve momentum yönteminin parametreleri aynı alınmıştır.
veya, özel veya bütünleşik probleminde ortalama hata kareleri açısından her iki yöntem arasında istatistiksel olarak anlamlı bir fark oluştuğu gözlenmiştir. Bu fark 2 GSH için sabit yapılı ÇKA’nın daha küçük OHK ürettiği, 3,4 ve 5 GSH’li ÇKA’lar için ise FA01V01’in daha küçük OHK’si ürettiğini göstermektedir. Ayrıca FA01V01 algoritması ile oluşturulan ÇKA’da gözlenen en küçük OHK sabit yapılı ÇKA’da gözlenen en küçük OHK’nden de daha küçük olmuştur. Geri yayılım algoritması için geçen toplam iterasyon sayılarının ise FA01V01 algoritmasında çok daha az iterasyon sonrasında sinaptik ağırlıkların yakınsadığı ve anlamlı iyileşme kaydedilemediği gözlenmiştir.
epoch) gerektirmesinin sebebi olarak iki temel farklılık öne çıkmaktadır. Bunlardan ilki girdi ve çıktıyı sabitleyerek eğitim yapmak yerine, çıktı hücrelerini sırasıyla eğiterek eğitimi basit kademelere bölmesi ve her seferinde bir adet çıktı sinir hücresi ekleyerek devam etmesidir.
arttırması muhtemel çıktı sinir hücrelerinin tespit edilerek mimari yapıya eklenmesidir. Eklenen her yeni çıktı sinir hücresinin adet çapraz geçerlilik kümesinde ayrı ayrı iyileşme sağlamasının geri yayılım algoritmasının iterasyon sayısının düşmesine neden olduğu değerlendirilmektedir.
ağlarının oluşturulması ve eğitilmesine farklı bir bakış açısı getirmesine dayanmaktadır. Bu farklı bakış açısı aslında yapay zeka yöntemlerinin düşünebilen bir yapıya ulaşması için aşılması gereken üç temel problemden birine çözüm önerisidir.
Yüklə 411,56 Kb. Dostları ilə paylaş:
|