Bir yapay sinir ağı modeli yöntemi ile değişkenlerin öngörüsünde, modelin geliştirilmesi için kesin bir yöntem olmamakla beraber, uygulanabilecek genel kurallar ve adımlar vardır. Uygulanacak adımlar ve tahmini gerçekleştirmek için kullanılacak adımlar şöyledir;
- Değişkenlerin seçimi ve verilerin toplanması, - Verilerin hazırlanması (ön işlemden geçirilmesi), - Eğitim, test ve doğrulama verilerinin oluşturulması, - Ağın tasarlanması,
- Performans hesaplama kriterlerinin belirlenmesi, - Ağın eğitilmesi,
- Uygulama süreci (Kaastra, Boyd, 1996: 219).
4.5.1. Değişkenlerin Seçimi ve Verilerin Toplanması
Tahminde bulunulacak ekonomik değeri hangi değişkenlerin etkilediğini tespit etmek başarılı bir yapay sinir ağı modeli için önkoşuldur. Ekonomik teoriler değişkeni etkileyecek faktörleri bulmada her zaman belirleyicidir. Gelecekteki değeri tahmin edilmeye çalışılan ekonomik değişken için iki türlü veri hazırlanır: Teknik ve temel ekonomik veriler. Teknik veriler; o değişkenin geçmişteki verileri iken ekonomik veriler ise, tahminde bulunulan değişkeni etkileyen ekonomik değişkenlerdir. Uygulamada sıkça rastlanan basit yapay sinir ağları, yalnızca değişkenin önceki verilerinden yararlanır. Öngörü modellemesinin başarısını artırabilmek için modele, değişkeni etkileyen faktörleri de dahil etmek gerekir (Kaastra, Boyd, 1996: 219)
4.5.2. Verilerin Hazırlanması
İlk aşamada değişkenler seçilirken bunlara kolay erişilip erişilmeyeceği gözden kaçırılmamalıdır. Girdi olarak temel ekonomik veriler kullanılacağı zaman dikkat edilmesi gereken dört konu vardır. Birincisi, girdi olarak kullanılacak temel göstergelerin öngörüsü yapılacak ekonomik değişkenin zaman serisinde tutarlı bir etkisi olması gerekir. İkincisi, genelde veri tabanlarında yapıldığı gibi, verilerin geçmişi kapsayacak şekilde ilk yayınlandığı zamandan sonra revize edilmemiş olması gerekir. Çünkü revize rakamlar öngörü için uygun değildir. Üçüncüsü, temel ekonomik veriler hızlı bir şekilde hesaplanmadığından, verilerin uygun gecikmeleri alınmalıdır. Dördüncüsü, girdi olarak kullanılacak verilerin devamlı olarak yayımlandığından veya diğer kaynaklardan bu veriler temin edilebilmelidir (Kaastra, Boyd-1996: 220).
Belirlenen veriler ağa sunulmadan önce ağın kullanımına uygun hale getirilmelidir. Genellikle veriler ham olarak değil de aktivasyon fonksiyonuna bağlı olarak (0,1) veya (0,-1) arasında ölçeklendirilerek kullanılır. Çıktı nöronları için doğrusal olmayan bir aktivasyon fonksiyonu kullanıldığında, hedef değerlerin ağ çıktısı ile aynı aralıkta dönüştürülmesi gerekmektedir. Çalışmada eğer aktivasyon fonksiyonu olarak sigmoid fonksiyon kullanılmış ise normalleşme aralığı (0,1), hiperbolik tanjant fonksiyonu kullanılmış ise normalleşme (-1,+1) aralığında yapılır. Ağdan alınan çıktıların yorumlanması ise çıktının orijinal aralığa yeniden dönüştürülmesinden sonra gerçekleştirilir.
Veri normalleştirme işlemi eğitim sürecinden önce gerçekleştirilir. Veri normalleştirme işlemi aktivasyon fonksiyonuna bağlı olarak aşağıdaki şekilde hesaplanır (Polat, 2009: 78). (0,1) aralığına doğrusal dönüşüm: min max min 0 x x x x Xn − − =
Formülde Xn normalleştirilmiş veriyi, xo orijinal veriyi, xmax satır veya kolon boyunca maximum, xmin satır veya kolon boyunca minimum değeri ifade etmektedir.
İstatistiksel normalleştirme:
s x x
Xn = 0−
Basit Normalizasyon: max 0 x x Xn =
4.5.3. Eğitim, Test ve Doğrulama Verilerinin Oluşturulması
Yapay sinir ağları uygulamalarında genellikle veriler eğitim, test ve doğrulama olmak üzere üç türlüdür. Toplam verilerin hangi oranlarda bölüneceğine dair kesin bir kural olmamakla beraber, genellikle % 70’i eğitim, % 20’si doğrulama ve % 10’u test olarak ayrılmaktadır.
Uygulamaya yönelik ağ oluşturulduktan sonra istenilen çıktıların elde edilmesi için eğitim seti ağa sunulur. Problemin türüne ve kullanılan ağın yapısına göre önceden belirlenen öğrenme kuralı kullanılarak ağın bağlantı ayarları değiştirilir. En doğru çıktıları üretecek ağırlık değerlerinin belirlenmesi için eğitim boyunca ağın eğitim seti defalarca ağa verilerek, ağırlıkların en uygun seviyeye gelmesi sağlanır. Literatürde eğitim setinin ağa gösterilmesi “iterasyon” kelimesi ile ifade edilir.
Yapay sinir ağının eğitiminin tamamlanmasının ardından performansını, diğer bir ifade ile öğrenip öğrenmediğinin ölçülmesi için yapılan denemelere ise ağın test edilmesi denilmektedir. Ağ eğitilirken bir yanda da doğrulama seti ile ağın her iterasyonda ne kadar öğrendiğini test ederler.
Uygulama esnasında eğitim setindeki verilerle istenilen başarıya ulaşılmış ise, ağa daha önce görmediği veriler sunularak sonuçlar test edilir. Bu veri setine de test seti denilmektedir. Test işleminde ağın ağırlıkları değiştirilmemektedir. Veriler ağa gösterilmekte ve ağ, eğitim sonucunda belirlenen ağırlık değerleri kullanarak daha önce görmediği bu örnekler için çıktılar üretir. Eğer test seti ile istenilen sonuçlara ulaşılırsa ağın eğitimi sona erer (Bayır, 2006: 26).
4.5.4. Ağın Tasarlanması
Yapay sinir ağını geliştirme sürecinde eğitim ve test verilerinin ayrıştırılması sonrası ağın tasarımı aşaması gerçekleşir. Ağım tasarımı, diğer bir ifade ile ağın mimarisinin belirlenmesi aşamasında şu kararların verilmesi gerekmektedir:
- Ağın gizli katman sayısı, katmandaki nöron sayısının belirlenmesi, - Ağın aktivasyon (transfer) fonksiyonun belirlenmesi.
Ağın gizli katman sayısı ve katmandaki nöron sayısı, tasarımcının kontrolüne ve problemin yapısına göre değişmektedir. Ağdaki gizli katman, yapay sinir ağının temel işlevini görendir. Gizli katman; ağdaki verişi işleyen, girdi çıktı arasındaki doğrusal olmayan ilişkiye işlerlik kazandıran fonksiyondur. Ağda gizli katman olmaması, girdi çıktı arasında doğrusal bir ilişki olduğunun göstergesidir. Literatürde çoğu araştırmacı, güvenilir ve başarılı sonuçlar için tek gizli katman kullanmaktadır. Gizli katman sayısını belirlemede en uygun yol deneme yanılma yoludur. Yapay sinir ağında birden fazla gizli katman sayısının olması sık başvurulan bir yol değildir. Genelde kesin sonuç beklenmeyen ama bir değere yaklaşması istenen problemlerde kullanılan iki katmanlı çözümler, ağın daha karmaşık hale gelmesine neden olmaktadır (Zhang, Patuwo, Hu, 1998: 42).
Aktivasyon fonksiyonu, diğer bir ifade ile transfer fonksiyonu bir ağın girdi ve çıktıları arasındaki ilişkiyi belirler. Her ne kadar teoride türevlenebilir bir fonksiyon aktivasyon fonksiyonu olarak kullanılırsa da, pratikte bu fonksiyonların sayısı azdır. Çünkü fonksiyonun sınırlı, monoton artan ve türevlenebilir olması gerekmektedir. Genellikle bir ağ aynı veya farklı katmandaki farklı aktivasyon fonksiyonlarına sahip olabilir. Sosyal bilimlerde yapılan araştırmaların çoğunda sigmoid aktivasyon fonksiyon kullanılmaktadır (Demirkoparan, 2011: 57).
4.5.5. Performans Hesaplama Kriterlerinin Belirlenmesi
Yapay sinir ağları öngörü modellemesinde ağın geleceği hangi derece doğrulukla öngörebileceği bazı ölçüm yöntemleri ile test edilebilir. Tahminin doğruluk
testi için öngörü dönemine ait gözlem değerleri bilinmiyormuş gibi gözlem dışı bırakılır ve tahmin edilen modele dayanılarak bu dönemler için değişkenlerin alacağı değerler öngörülür. Bu öngörü değerleri ile gerçek değerler arasındaki farklar, yani öngörü hataları tahmin edilerek bazı formüllerle farklı tekniklerin veya modellerin öngörü doğruluğunu karşılaştırmaya yardımcı olabilecek şekilde standartlaştırılır. Yapılacak karşılaştırmalarda kullanılan bir çok ölçüt bulunmaktadır (Akal, 2013).
En yaygın kullanılan performans ölçüm yöntemleri: - Ortalama Hata (ME),
- Ortalama Hata Kareleri (MSE),
- Hata Kareleri Ortalamasının Karekökü (RMSE)
- Ortalama Mutlak Hata (MAE) yöntemleridir (Yurtoğlu, 2005: 75).
Performans ölçüm yöntemlerinin temeli ortalama hata yöntemine dayanmaktadır.
Ortalama Hata (ME) =
∑
= + T t t k t e T 1 , 1
Formülde T öngörü aralığını, t zaman operatörünü, k öngörü uzunluğunu, e öngörü hatasını göstermektedir. Diğer ölçüm yöntemlerinin formülleri ise;
Ortalama Karesel Hata (MSE)=
∑
= + T t t k t e T 1 , 2 1
Hata Kareleri Ortalamasının Karekökü (RMSE)=
T 1
∑
= + T t t k t e 1 , 2Ortalama Mutlak Hata (MAE)=
∑
= + T t t k t e T 1 2 , 1
Performans ölçümleri arasında en yaygın kullanılan Ortalama Karesel Hatadır. Öngörü hatasının varyans toplamlarını ayrıştırabilmesi, yöntemin en önemli özelliğidir. Yararlı bilgiler sağlayan bir ölçüdür.
4.5.6. Ağın Eğitilmesi
Ağın eğitilmesi aşamasında eğitim devir sayısı, öğrenme katsayısı ve momentum değeri belirlenir. Yapay sinir ağı verilerin içinde saklı şablonu, ağın öğrenmesi ve ağırlık kümesindeki hatayı en aza indirecek en uygun ağırlıkların belirlenmesi amacıyla eğitilir. Model ezberleme yoluna gitmediği sürece, eğitimden sonra elde edilen ağırlıklar kümesi iyi bir genelleştirme yapabilir. Geri yayılım ağlarının ağırlıklarını minimum hata düzeyine indiren dereceli azaltma algoritmasını kullanmaları sonucunda, bulunan minimum hata değerleri bazen global değil yerel minimum noktası olabilir. Momentum değeri ve ağırlıkların 5-10 farklı başlangıç setini kullanmak, global minimum noktasını elde etme şansını artırabilir (Polat, 2009: 83).
Eğitimi durdurma kriteri olarak eğitim sayısı belirlenirken, öğrenme katsayısı ve momentum değerleri genellikle denemeler soruncunda seçilir.