Öz Örgütlenmeli Harita Ağının Sonuçlarının Elde Edilmesi

Seçilen araçlardaki müşteri şikâyet veriler düzenlendikten sonra kümelenmeleri için SOM sinir ağı modeline giriş vektörü olarak sunulmuştur. Oluşan modelde, 37 giriş vektörü ve 36 çıkış nöronu kullanılmıştır. 37 giriş vektörü, 37 şikâyet değişkenine ve 36 çıkış nöronu, olası 36 kümeye denk düşmektedir. 141 arızanın yaklaşık %25’ i kadar küme öngörülmüştür. Ancak SOM kümelemeyi tamamladıktan sonra bütün kümelerin dolu olması gerekmemektedir. 36 çıkış nöronu 6x6’ lık bir kare şeklinde dizilmiştir.

Her bir sütunu bir referans vektöründen oluşan ağırlık matrisi, giriş nöronlarıyla çıkış nöronları arasındaki ilişkiyi gösteren bir matristir. Ağırlık referans matrisinin son değerleri SOM öğrenme algoritması ile 5000 döngüsü sonucunda oluşmaktadır. Algoritmanın ağırlık matrisini hesaplayabilmesi için başlangıç ağırlık değerleri Ek. 2’ de görülen değerlerdir ve MATLAB ‘initsompc’ fonksiyonu ile atanmıştır. Çalışmada başlangıç ağırlık matrisi ilk değer atama MATLAB fonksiyonu olarak ‘initsompc’ seçilmesinin nedeni, bu fonksiyonun SOM öğrenme hızını arttırmasıdır. MATLAB programı ile yapılan çalışmada ağırlık matrisini güncelleştirmek için MATLAB ‘learnsom’ fonksiyonu kullanılmıştır. Referans vektörlerine ilk değer atanmasının ardından öğrenme katsayısı (α=0.9) olarak belirlenmiştir. Öğrenme katsayısının yüksek olması algoritmanın yavaşlatılması içindir. Belirli bir döngü boyunca bu değer değiştirilmemiştir. Böylece, referans vektörlerinin kendi ilk değerlerini giriş vektörlerinden oluşturması sağlanmıştır. Daha sonra her 1000 döngüde, α değeri 0.02 oranında lineer olarak azaltılmıştır.

Kümeleme için her bir şikâyet, hazırlanan SOM modeline bir kez girilir. Giriş vektörleri çıkış katmanındaki her bir nöronun referans vektörü ile çarpılır. Hangi çarpım değeri daha yüksek ise o şikâyet ilgili kümeye aittir.

SOM modelinde referans vektörlerinin veya bir diğer deyişle katsayılar matrisinin değişimini etkileyen bir diğer faktör de kazanan nöronun komşuluğudur. Modelde çıkış nöronlarının dizilimi topolojik komşuluk açısından önemlidir. Komşuluğun hem yatay hem de dikey eksende olabilmesi için çalışmada çıkış nöronları karesel

81

olarak dizilmiştir. Başlangıç komşuluk uzaklığı (R)’ nin ilk değerine, çıkış nöronlarından oluşan karenin bir kenarındaki nöron sayısı verilmiştir. Bu çalışmada kullanılan 6x6’ lik ızgara diziliminde Başlangıç Komşuluk Uzaklığı 3 olacaktır. Döngü sayısı arttıkça Başlangıç Komşuluk Uzaklığı değeri de belli aralıklarla azaltılmıştır. Böylece algoritmanın bitiminde Başlangıç Komşuluk Uzaklığı sıfır olacak ve yalnızca kazanan nöronun referans vektörü güncellenecektir. Bu çalışmada her bir 1000 döngüde, başlangıç komşuluk uzaklığı değeri bir azaltılmaktadır. Ancak, ilk 1000 döngü boyunca başlangıç komşuluk uzaklığı değerinin sabit kalması sağlanmıştır.

MATLAB programında SOM uygulaması tek katmanlı uzaklık fonksiyonundan, net toplam ağ girdi fonksiyonundan ve rekabetçi bir transfer fonksiyonundan fonksiyonlarından oluşmuştur. Her bir ağırlık güncellemesi her giriş sonunda, öğrenme fonksiyonuna göre aşağıdaki koşullardan herhangi biri karşılandığında eğitim durur.

 Maksimum tekrar sayısına ulaşıldığında.  Performans hedefine ulaşıldığında.  Azami süre aşıldığında.

 Doğrulama performansı maximum hata sayısını aşmışsa.

Tüm giriş vektörleri 5000 döngü boyunca SOM modeline girildikten sonra, ağırlık referans vektörleri oldukça kararlı bir hale gelmiştir ve değişimler daha az görülmeye başlanmıştır.

Ek 1’ de SOM modelindeki Ağırlık Referans Vektörleri, giriş nöronları ile çıkış nöronları arasındaki ilişkiyi göstermektedir. Giriş nöronları her bir şikâyetin 37 değişkenini ve çıkış nöronları da olası 36 kümeyi göstermektedir. Burada dikkat edilmesi gereken nokta oluşan küme sayısının 21 ile sınırlı kalmasıdır.

82

5000 döngü sonunda, MATLAB programı ile kurulan SOM modelinin eğitiminin, derlenmiş olan müşteri şikâyet kayıtları ile tamamlandığına karar verilmiştir. Belirtilen adımlar ile SOM modelinin oluşumu tamamlanmıştır. Sonrasında belirlenmesi gereken hangi giriş vektörünün hangi nöronda gruplandığının tespit edilmesidir. Tablo 7.4' de kümeleme tablosunda araçların atandığı kümelerin bilgisi yer almaktadır.

Referans vektör değerleri yüksek değerler alan kümeler ilgili şikâyet veya şikâyetlerden yoğun olarak etkilendiğini gösterir. Düşük değerler de ilgili şikâyetin ilgili kümenin etkinliği üzerinde az etkin olduğunu gösterir. SOM modelindeki topolojik yapıyı ve kümelerin komşuluğunu görebilmek için kümeleri incelemek gerekir. 5 ve 35 nolu kümenin Ağırlık Referans Vektör değerleri çok düşüktür. Bu kümedeki şikâyetlerin daha hafif şikâyetler olduğu söylenebilir. Aynı tabloda, 11 ve 13 nolu kümelerin Ağırlık Referans Vektör değerleri çok yüksektir. Bu kümedeki şikâyetlerin şiddetli ve araç üzerinde oldukça etkili olduğu söylenebilir. En yoğun birikim 1 numaralı hücrede meydana gelmiştir.

Tablo 7.4’ de kümeleme çizelgesinde, SMTS’ ye girilmiş olan 141 aracın SOM ile atanmış olduğu hücreler gösterilmektedir.

Tablo 7.4: Araçların SOM ile Atandığı Hücreler

Araç Hücre Araç Hücre Araç Hücre Araç Hücre

1 20 36 33 71 35 106 36 2 27 37 33 72 28 107 5 3 20 38 28 73 35 108 5 4 20 39 12 74 35 109 1 5 27 40 28 75 24 110 36 6 20 41 12 76 31 111 1 7 27 42 32 77 12 112 36 8 23 43 20 78 4 113 1 9 20 44 28 79 35 114 31 10 20 45 17 80 1 115 31 11 16 46 32 81 1 116 5 12 16 47 35 82 31 117 36 13 27 48 17 83 28 118 36 14 27 49 17 84 1 119 31 15 28 50 17 85 28 120 1 16 19 51 21 86 1 121 1 17 19 52 21 87 31 122 1

83

Tablo 7.4: Araçların SOM ile Atandığı Hücreler (Devamı)

Araç Hücre Araç Hücre Araç Hücre Araç Hücre

18 19 53 12 88 1 123 1 19 20 54 28 89 28 124 1 20 27 55 33 90 31 125 1 21 20 56 33 91 1 126 1 22 23 57 12 92 4 127 36 23 20 58 12 93 24 128 36 24 16 59 18 94 1 129 36 25 27 60 33 95 1 130 8 26 20 61 35 96 5 131 36 27 23 62 35 97 35 132 8 28 28 63 24 98 1 133 8 29 12 64 12 99 31 134 8 30 23 65 24 100 31 135 8 31 28 66 35 101 36 136 8 32 33 67 33 102 1 137 36 33 18 68 12 103 31 138 8 34 33 69 35 104 1 139 13 35 17 70 4 105 1 140 13 141 13

Şekil 7.2: SOM kümeleme modeli ve kümeler aralarındaki mesafeler

Şekil 7.2’ de SOM arıza kümeleme modeli için bir harita oluşturulmuş ve bu harita kümeler aralarındaki mesafelere göre renklendirilmiştir. Böylece, küme yoğunlukları

84

ve kümelerin birbirine olan topolojik komşulukları görselleştirilmiştir Koyu renkler yakın, açık renkler uzak olan SOM hücrelerini ifade etmektedir.

Şekil 7.3’ de Her bir kümeye denk gelen araç sayısı gösterilmiştir. Kümelerin Ağırlık Referans Vektör değerleri ile topolojik konumları Ek 1’ de görülebileceği üzere birbirini desteklemektedir. Bu durum çalışmada kurulan SOM modellerinin başarılı olduğunun kanıtıdır.

SOM ile 141 servis kaydına ait müşteri şikâyeti gruplanarak sınıflandırılmış, parametre çeşitliliği azaltılarak bulanık çıkarım yapabilecek bir ANFIS sistemine girdi olarak sunulmuştur.

SOM sınıflandırması sonucu elde edilen kümeler önemli bilgiler içermektedir. 6x6’ lik matris de yer alan her bir altıgen bir kümeyi temsil etmektedir. Harita üzerinde, arıza kaynağı farklı olan arıza kümelerinin birbirine en uzak konumda olduğu belirlenmiştir. Arıza eğilimleri birbirine yakın olan kümeler ise haritalar üzerinde birbirine en yakın konumdadır.

85

Şekil 7.3: SOM kümeleme sonuçları