4. ARAŞTIRMA SONUÇLARI VE TARTIŞMA
4.4. Subklinik Mastitisin Tahmini için bir SVM Uygulaması
Burada kullandığımız 5 veri seti SVM algoritması ile sınıflandırılmıştır. Aynı YSA tekniği ile burada da tüm verinin % 60, % 70, % 75, % 90’ı) eğitimde kullanılmış, kalan yüzdeler ise test verisi olarak tahmin etmede kullanılmıştır. 5 giriş verisi (LS, SV,
Eİ, OSS, KM) ve 1 çıkış verisi olan MT sisteme dahil edilerek, model eğitilmiştir. Elde edilen tahmin değerleri elimizde bulunan değerlerle karşılaştırılmıştır. Doğru olan değerlerin yüzdeleri hesaplanmış, her çıkış için bu işlemleri gerçekleştirdikten sonra elde edilen yüzde değerlerinin aritmetik ortalaması alınmıştır. Eğitim ve test aşamalarında kullanılmayan veri kalmayacak şekilde işlemler gerçekleştirilmiştir (Çizelge 4.21).
Çizelge 4.21. SVM uygulamasının sonucu
Toplam Veri Sayısı Eğitim Veri Sayısı Test Veri Sayısı 1.TEST SONUCU 2.TEST SONUCU 3.TEST SONUCU 4.TEST SONUCU 5.TEST SONUCU ORTALAMA Doğru Veri Sayısı Başarı yüzdesi (%) Doğru Veri Sayısı Başarı yüzdesi (%) Doğru Veri Sayısı Başarı yüzdesi (%) Doğru Veri Sayısı Başarı yüzdesi (%) Doğru Veri Sayısı Başarı yüzdesi (%) 346 311 35 30 86 27 77 32 91 24 69 30 86 29 82 260 86 72 84 68 79 78 91 70 81 71 83 72 84 242 104 88 85 86 83 95 91 85 82 87 84 88 85 208 138 116 84 117 85 121 88 118 86 114 83 117 85 ORTALAMA 76 84
Çizelge 4.21’den görüldüğü gibi % 60 eğitim - % 40 test oranının 5 veri setinde uygulaması sonucu başarı yüzdeleri % 84, % 85, % 88, % 86, % 83 olmuştur. % 90 eğitim - % 10 test oranının uygulaması sonucunda ise başarı % 86, % 77, % 91, % 69, % 86 olarak, % 75 eğitim - % 25 test oranı uygulaması sonucunda ise % 84, % 79, % 91, % 81, % 83 ve % 70 eğitim - % 30 test uygulamasında ise % 85, % 83, % 91, % 82, % 84 olarak bulunmuştur. Bu durumda 4 eğitim-test kombinasyonu için ortalamalar bulunmuş ve sonda bu ortalamalardan bir sonuç çıkarılmıştır.
SVM ile yapılan eğitimlerden en iyisi olduğu gözlenen 3.Test sonucuna göre MT çıkış değerinin % 91 olduğu gözlenmiştir.
SVM modelinde hassaslık, belirlilik ve hataya ait değerler ise sırasıyla % 89, % 92 ve % 50 olarak tespit edilmiştir.
SVM aşağıdaki formüle göre sınıflandırma yapmaktadır:
b x s k c i i i
( , ) , (4.23)Burada – si destek vektörleri, iağırlık, b bias ve k ise kernel fonksiyonudur. Doğrusal kernel halinde, k nokta çarpımıdır. Eğer c >= 0, o zaman x 1. grubun elemanı olarak, değilse 2. grubun elemanı olarak sınıflandırılır.
Şekil 4.39. SV ve Eİ verilerine göre sağlıklı ve subklinik mastitisli ineklerin SVM’de Kernel fonksiyonu ile sınıflandırılması
Şekil 4.40. SV ve Eİ verilerine göre sağlıklı ve subklinik mastitisli ineklerin SVM’de sınıflandırılması
Şekil 4.41. SV ve OSS verilerine göre sağlıklı ve subklinik mastitisli ineklerin SVM’de Kernel fonksiyonu ile sınıflandırılması
Şekil 4.42. SV ve OSS verilerine göre sağlıklı ve subklinik mastitisli ineklerin SVM’de sınıflandırılması
mastitisli ineklerin SVM’de Kernel fonksiyonu ile sınıflandırılması mastitisli ineklerin SVM’de sınıflandırılması
Şekil 4.45. SV ve LS verilerine göre sağlıklı ve subklinik mastitisli ineklerin SVM’de Kernel fonksiyonu ile sınıflandırılması
Şekil 4.46. SV ve LS verilerine göre sağlıklı ve subklinik mastitisli ineklerin SVM’de sınıflandırılması
SV ve OSS verilerine göre sağlıklı ve subklinik mastitisli inekleri SVM ile sınıflandırırken (EK 8) başarı oranı % 81 olmuştur (Şekil 4.39). SVM’de doğrusal Kernel fonksiyonu ile sınıflandırma yaparken ise bu başarı oranı % 84 olmuştur (Şekil 4.40). SV ve Eİ verilerine göre Sağlıklı ve Subklinik mastitisli inekleri SVM ile sınıflandırırken başarı oranı % 83 olmuştur (Şekil 4.41). SVM’de doğrusal Kernel fonksiyonu ile sınıflandırma yaparken ise bu başarı oranı % 77 olmuştur (Şekil 4.42). SV ile KM ve SV ile LS arasında sınıflandırmalarda bu değerler % 83, % 73 ve % 82, % 73 olarak bulunmuştur (Şekil 4.43 – 4.46).
Bu çalışmada toplanan 346 kayıt içinde 61 ineğin subklinik mastitisli olduğu tespit edilmiştir. Subklinik mastitisli vakaların azlığı sistemin hastalığı teşhis etmesini zorlaştıran bir husustur. BM yöntemi kullanılarak (giriş parametresi olarak: LS, SV, Eİ, OSS, KM; çıkış parametresi olarak ise MT) tüm subklinik mastitisli vakalar içinden doğru teşhis edilenlerin sayılması ile bulunan hassaslık parametresi bu çalışmada % 82 olarak tespit edilmiştir. Bu çalışmada bulunan bu değer Cavero ve ark. (2006) bulduğu değer (% 83.2) ve De Mol (2000) (klinik mastitis vakası teşhisi) % 84.6 değerden düşüktür. Bunun muhtemel sebebi giriş parametrelerinin farklı alınması olabilir. Cavero ve ark. (2006) yaptıkları çalışmada her meme lobuna ait elektrik iletkenliğini, onların sapmasını, süt üretim hızındaki sapma ve sütün akış hızındaki sapmayı dikkate almıştır. De Mol (2000), ise yaptıkları araştırmada her meme lobuna ait sütün elektrik iletkenliğini ve Eİ’nin standart sapmasını kullanmıştır. Buradan BM modeli için az sayıda, lakin daha nitelikli (araştırma yaptığımız işletmedeki SYS her meme lobu için
Eİ değeri vermiyordu) giriş verisinin kullanılmasının daha efektif olabileceği sonucuna varabiliriz.
Bu çalışmada YSA yöntemi ile bulunan belirlilik katsayısı (% 91) Yang (1998)’ın çalışmasında bulduğu (YSA yöntemi ile LS, SHS, SV (KG), SGS, SHS (KG), Sürü boyutu (KG) verilerini, bir diğer çalışmasında da BM, KÇ mevsimi, KM, Yağ yüzdesi (KG), Protein yüzdesi (KG), Cumulative SV, Cumulative YV, Cumulative PV, İneğin toplam uyumluluk sınfı, İneğin uyumluluk sınfı varlığı, İneğin babasının uyumluluk sınfı, Uyumluluk sınfı varlığı, İneğin annesinin uyumluluk sınıfı, Uyumluluk sınfı varlığı ek verilerini kullanarak kurduğu modelde bulduğu) % 99 belirlilik, Wang ve Samarashinge (2005)’in bulduğu (YSA yöntemi ile kurduğu modele Maks. Eİ, Sütün sıcaklığı, CMT sonuçları gibi giriş verileri kullanarak bulduğu) % 99 belirlilik katsayısından düşüktür. Her iki araştırmacı da giriş verisi olarak SHS’ni kullanmışlardır. Giriş verisi olarak SHS kullandığımız zaman tüm yöntemlerle % 99’luk bir başarı elde etmek mümkündür. Amacımız bilgisayar ortamında SHS kullanılmadan subklinik mastitis hakkında bir tahminde bulunmak olduğu için yapılan araştırmanın başarılı olduğunu söyleyebiliriz.
Belirlilik için yapılan Z testi sonucunda YSA, ANFIS ve SVM arasındaki farkın istatistik olarak önemli olmadığı tespit edilmiştir. Hassaslık ve hata için yapılan Z testi sonucunda ise BM, YSA ve SVM arasındaki farkın istatistik olarak önemli olmadığı, ANFIS yönteminin ise bu özellikler bakımından diğer üç yöntemden (BM, YSA, SVM) istatistik olarak farklı olduğu görülmüştür (Çizelge 4.22).
Çizelge 4.22. Uygulanan Z testi sonuçları
A, B
: P<0.01
Yapay Zeka Yöntemi Belirlilik (%) Hassaslık (%) Hata (%)
BM 74B 82A 60A
YSA 91A 80A 64A
ANFIS 91A 55B 35B
5. SONUÇLAR VE ÖNERİLER