Yöntemlerin Hassasiyet Analizi

Yöntemlerin hassasiyet analizini yapmak için gaz ocağı problemine uyguladığımız test verisine aynı çekirdek kullanarak farklı sinyal-gürültü oranı (snr) değerlerinde gürültü ilavesi yapılmıştır. Gürültülü hale gelen veriler üzerinde yöntemler uygulanıp hassasiyet analizi kıyaslanması yapılmıştır.

Matlab üzerinden beyaz gürültü oluşturulması için randn fonksiyonu ile normal dağılımlı ortalaması 0 ile varyansı 1 olan rasgele 42 adet gürültü oluşturulmuştur.

Beyaz gürültü elde edildikten sonra dB karşılığının -20’den 0’a kadar birer birer azalacak Şekilde sinyal-gürültü oranı için dB=10*log10(snr) fonksiyonu ile snr değerleri (0.01, 0.012589254, 0.015848932, 0.019952623, 0.025118864, 0.031622777, 0.039810717, 0.050118723, 0.063095734, 0.079432823, 0.1, 0.125892541, 0.158489319, 0.199526232, 0.251188643, 0.316227766, 0.398107171, 0.50118723363, 0.630957344, 0.794328235, 1) bulunmuştur.

Eğitim setinde kullanılmayan 42 adet test verisi üzerine her snr değeri için gürültü eklenerek 21 adet test seti oluşturulmuştur. Aynı işlem bir döngü içerisine sokularak, deney 20 kez daha yapılmış; böylece her snr değeri için 20 farklı gürültülü set oluşturulmuştur.

DE*ANFIS, E*ANFIS ve ANFIS yöntemleri gürültülü setlere uygulanmıştır. Uygulama sonucunda her yönteme ait sinyal-gürültü oranına karşılık gelen 21 adet ortalama MSE değerinin birbirleriyle kıyaslanması Şekil 3.4’te gösterilmiştir.

Hassasiyet analizi yapıldığında 21 farklı sinyal-gürültü oranı ile gürültülü hale gelen test verilerine yöntemler uygulandığında MSE değeri en düşük olan Değiştirilmiş Einstein Çarpımı Tabanlı ANFIS (DE*ANFIS) yöntemi olmuş; önerilen yöntemin uygulanabilirliği gösterilmiştir. Her üç yöntem için, gürültü katılan setlerde en küçük MSE değerlerine snr=0dB iken ulaşılmış; en düşük MSE değerini DE*ANFIS yöntemi uygulanmış set almıştır. Snr değeri 0 için 42 adet gürültülü test verisinin üç yönteme ait çıkışlar gerçek çıkışlarla kıyaslanmıştır (Şekil 3.5).

Snr 0 değeri aldığında gürültülü hale gelen verilere uygulanan üç yöntemin sonuçları için doğruluk ölçümü yapılmıştır (Tablo 3.5).

Gürültü katılmış verilerin modellere uygulanmasının yöntemler için başarım durumunu ortaya koymak için snr=0dB değerinde parazitleştirilen veri setinin her üç yönteme ait MSE ve PI değerleri Box&Whisker grafiği ile gösterilmiştir (Şekil 3.6).

Şekil 3.6. Snr=0dB için gürültülü verilere uygulanan modellerin hata grafiği

Farklı snr değerleri ile gürültülü hale gelen veriler üzerinde çalışılırken set üzerine uygulanan yöntemlerde en büyük MSE değerlerine snr değeri -20dB iken ulaşılmıştır. Bu veri üzerinde uygulanan yöntemler arasında ise en düşük MSE

değerini Değiştirilmiş Einstein Yöntemi uygulanmış set almıştır. Snr değeri 0.01 için 42 adet gürültülü test verisinin üç yönteme ait çıkışlar gerçek çıkışlarla kıyaslanmıştır (Şekil 3.7). dB -20 değeri aldığında gürültülü hale gelen verilere uygulanan üç yöntemin sonuçları için doğruluk ölçümü yapılmıştır (Tablo 3.6).

Tablo 3.5. Snr=0dB için gürültülü verilere ait doğruluk ölçüm tablosu

ANFIS E*ANFIS DE*ANFIS

MSE 0,134385096 0,097016323 0,061133171 RMSE 0,366585728 0,311474434 0,24725123 MAE 0,324760387 0,241844574 0,206994479 MAPE 0,006011654 0,004503331 0,003839955 RKARE 0,97736425 0,983173658 0,990444682 PI 0,001049544 0,000891759 0,000707886

Snr değeri 0.01 iken gürültü katılmış verilerin modellere uygulanmasının yöntemler için başarım durumunu ortaya koymak için gürültülü veri setinin her üç yönteme ait MSE ve PI değerleri Box&Whisker grafiği ile gösterilmiştir (Şekil 3.8).

Tablo 3.6. Snr=-20dB için gürültülü verilere ait doğruluk ölçüm tablosu

ANFIS E*ANFIS DE*ANFIS

MSE 0,447359428 0,343808406 0,270419878 RMSE 0,668849331 0,586351777 0,520019113 MAE 0,63657042 0,542708588 0,501050763 MAPE 0,011782706 0,010027014 0,009269491 RKARE 0,923028549 0,940561227 0,954096976 PI 0,001914932 0,001678739 0,001488827

Farklı snr değerleri için alınan doğruluk ölçümlerine bakıldığında önerilen DE*ANFIS yönteminin en iyi sonuca ulaştığı gözlemlenmiştir. Örnek olarak uygulanan gaz ocağı problemi, önerilen yöntem uygulanarak hem gürültüsüz veri ile hem de gürültülü veri ile çözülmüştür. Her iki durumda da önerilen yöntemin hem ANFIS’e göre, hem E*ANFIS yöntemlerine göre, hem de aynı problemin uygulandığı diğer çalışmalardan daha kesin sonuç verip daha başarılı doğruluk oranına sahip olduğu görülmüştür. Bu edinimlerden ötürü önerilen yöntemlerin diğer problemlere uygulanabilirliği, uygunluğu ve doğruluk ölçümü konusunda diğer yöntemlere ait performans farkı ortaya kanser risk analizinde konulacaktır.

BÖLÜM 4. ÖNERİLEN YÖNTEMİN DAHA BÜYÜK PROBLEME

UYGULANMASI

Kanser ne kadar erken teşhis edilirse, tedavisi de o düzeyde başarılı olur. Sağlık bilimleri, yapay sinir ağları, bulanık mantık ve sinirsel bulanık mantık gibi teknikleri kendi alanlarında kullanabilirse gelecekte kanser gibi birçok hastalık da erken teşhis sayesinde tedavi edilebilir düzeye gelebilir veya önlenebilir. Böylece pahalı tedavilere veya ameliyatlara gerek kalmayabilir.

Günümüzde kansere yakalanan kişilerin çoğu hastalığın ilerlemiş safhalarında hastanelere başvurmakta ve bu sebeple hastalık geç teşhis edilmektedir. Bunun sonucunda tedaviler çoğu zaman işe yaramamakta ve hasta kısa zamanda ölmektedir. Sağlam kişilerde ileriye yönelik kanser hastalığının teşhisi, üzerinde durulması gereken en mühim konulardan biridir.

Kanser gibi hastalığa yakalanıldıktan sonra tedavisi ve geri dönüşü çok zor olan hastalıklar için, hastalık başlangıcından önce önlem almak, risk durumunu öğrenmek veya hastalık için ön-tanı önemli bir konudur. Bu durum dikkate alınarak bu tez çalışmasında yapay zeka tekniklerinden sinirsel bulanık mantık modeli seçilerek sağlıklı veya hasta tanısı konmamış kişilerin belirli kanser tipleri için o kanser tipine yatkınlığını ve risk durumunu hesaplayacak bir yazılım geliştirilmiştir.

Bu kapsamda pilot kanser tipi olarak meme, akciğer ve kolon kanserleri seçilmiştir. Belirtilen kanser tiplerinin seçilmesinin nedeni bu hastalıklara yol açan etmenlerin bu tip bir çalışmaya uygun olmasıyla birlikte dünyada ve ülkemizde görülme sıklığının oldukça fazla olmasıdır.

İlk olarak daha önce kullanılan bulanık mantık modelleri incelenmiştir. Ardından ANFIS ve Einstein Çarpımı Tabanlı ANFIS (E*ANFIS) sinirsel bulanık mantık

yöntemleri probleme uygulanarak ilgili kanser tipleri için çözümler üretilmiştir. Meme, akciğer ve kolon kanser hastalıkları için modellerin ROC analizi ile performans ölçümleri yapıldıktan sonra sinirsel bulanık mantık modellerinde kullanılan formüller üzerinde değişiklikler yapılarak önerilen yöntem ortaya çıkartılmıştır.

Önerilen sinirsel bulanık mantık metodu meme, akciğer ve kolon kanser hastalıkları için kullanılmıştır. Önerilen sinirsel bulanık mantık yöntemi olan Değiştirilmiş Einstein Çarpımı Tabanlı ANFIS (DE*ANFIS) yöntemi, ANFIS yöntemi ve Einstein Çarpımı Tabanlı ANFIS (E*ANFIS) yöntemine göre üç kanser tipi için istatistiksel analiz yapılıp, yöntemlerin performans ölçümleri hesaplanacaktır.

Tez çalışmasında problemi çözmek amacıyla eldeki veriler değerlendirilip yeni bir yaklaşım olarak önerilen sinirsel bulanık mantık yöntemi ile risk analizi örneği sunulmuştur.

Çalışmada sinirsel bulanık mantık modelinin seçilmesinin sebebi bulanık karar kullanılan sistemlerin insan mantığının yapabildiği gibi, kesin olmayan dilsel bilgilere bağlı olarak etkin sonuç çıkarabilmesi ve modelin öğrenme yetisine sahip olmasıdır. Bu çalışmada, elimizdeki veriler ışığında önerilen sinirsel bulanık mantık yönteminin kullanılabilirliği incelenmiş; önerilen metodun diğer metotlara göre performans farkı ve elde edilen sonuçları değerlendirilmiştir.

Matlab üzerinde sistemin girişlerine genfis1,genfis2 ve genfis3 fonksiyonları ile problemlere uygulanacak modeller için kararlı ve tutarlı sistemler geliştirilmesi sağlanmıştır [273]. Her üç fonksiyon ile oluşturulan sistemlerden en tutarlı sonuçları Genfis3 fonksiyonu yardımı ile oluşturulan sistemler vermiştir. Sistemlerin optimum üyelik fonksiyonları ve kuralları bulanık C-ortalamalar (FCM) kümeleme algoritmasını kullanan genfis3 fonksiyonu yardımı ile geliştirilmiştir. Genfis3 ile elde edilen sistemler, tüm ANFIS’lerde yapıyı belirlemek için kullanılmıştır.

Yazılım üzerinde uygulanan sinirsel bulanık yöntemlerine ait blok diyagramları Şekil 4.1’de gösterilmiştir.

Sinir Ağı Bulanık Çıkarım

Öğrenme Algoritması (Kısmi Türev – Zincir Kuralı)

(En Küçük Kareler) Bilgi-Kural Tabanı Hata Değeri Hata Eşiğinden Küçük Mü? (Belirlenen İterasyon Sayısı Doldu Mu) Hayır Evet Çıkış

Girişler - Üyelik Fonksiyonları Oluşturma Kurallar – Denklemler

Otomatik Oluşturulur Fn=pnx+qny+...+tn

Yöntem Seçimi ANFIS / E*ANFIS / DE*ANFIS

Öğrenme Katsayısı, İterasyon Sayısı, Hata Eşiği Belirleme

Eğitim Setini Modele Sun

Parametre Güncellemesi

Şekil 4.1. Uygulanan sistemin blok diyagramı

Yazılım yapısı, Visual Studio. Net 2010 platformunda nesneye yönelik programlama tekniklerinin avantajları bir araya getirilerek oluşturulmuştur (Şekil 4.2). Yazılım, yüklü olan her bilgisayarda hızlı bir Şekilde çalışabilmektedir.

Yazılım grafiksel arayüz geliştirilerek, 5 farklı görsel tabanlı form ile gerçekleştirilmiştir. Bu formlardan birincisi risk analizi hesaplanacak olan kanser tipinin seçildiği kısımdır. Yapılan seçime göre ikinci, üçüncü veya dördüncü formlar açılabilecektir. İkinci uygulama yazılımı meme kanseri için kişinin risk durumunu önerilen sinirsel bulanık mantık yöntemi ile tahmin ederken; üçüncü uygulama yazılımı akciğer kanseri için kişinin risk durumunu hesaplar; dördüncü uygulama yazılımı ise kolon kanseri için kişinin risk durumunu hesaplamaktadır. Beşinci form ise meme, akciğer veya kolon kanserleri için tahmin edilen risk sonucuna binaen stres faktörünün ilgili kanser tiplerini tetiklemesiyle oluşacak risk durumunu hesaplamaktadır. Uygulama üzerinde sayısal değerlerle gösterilmeyen ve kullanıcıdan alınan girdiler uzman görüşü alınarak üyelik fonksiyonlarının hesaplanması için bilgiler sayısal olarak skorlanarak sistem içinde alınmaktadır.

Tüm kanser tipleri için ölçüm alındıktan sonra tutulan giriş değerleri oluşturulan diğer yazılım üzerinde kullanılarak eğitim ve test kısmında kullanılacaktır. Yazılımın blok diyagramı Şekil 4.3’te gösterilmiştir.

Şekil 4.2. Visual Studio.NET 2010 platformu

Şekil 4.3. Yazılımın blok diyagramı

Şekil 4.4. Kanser risk analizi yazılımı ana ekranı