YBS-YSA sınıflayıcı

Yapay Sinir Ağları' nın eğitimi, oluşturulan ağın katmanları arasındaki ağırlıkların optimize edilerek en uygun duruma getirilmesi sürecidir. Bu kapsamda meydana getirilen YBS-YSA hibrit sınıflayıcı sisteminde oluşturulan ağın ağırlık değerleri YBS ile optimize edilerek sistem çıkışında minimum hata değeri elde edilmeye çalışılmış ve ağın eğitilmesi gerçekleştirilmiştir. Bu kapsamda Şekil 3.30 ve Şekil 3.31' de sırasıyla, YBS kullanılarak YSA' nın katmanları arasındaki ağırlık değerlerinin optimize edilmesi ile ağın eğitilmesi ve sonrasında test edilmesi işlemlerinin yer aldığı akış diyagramları verilmiştir. Ayrıca YBS-YSA hibrit sisteminin ağ yapısı ise Şekil 3.29' da görüldüğü gibidir.

Şekil 3.31. YBS-YSA hibrit sisteminin test akış diyagramı

Şekil 3.30' daki YBS-YSA hibrit sisteminin eğitimi işlemine ilk olarak ilgili eğitim verilerinin sisteme yüklenmesi ile başlanır. Eğitim ve test verileri matris olarak ve satırlarda özellikler, sütunlarda ise veriler olacak şekilde düzenlenmiştir. Sisteme eğitim verilerinin yüklenmesinden sonra YBS için rastgele bir şekilde oluşturulacak olan antikor sayısı, elde edilmesi hedeflenen minimum hata değeri yerine geçen durdurma kriteri gibi parametreler ile YSA için giriş, ara katman(lar) ve çıkış nöron katmanı için kullanılacak nöron sayıları gibi parametreler belirlenir. Belirlenen bu

parametrelere göre oluşturulacak olan ağın katmanları arasındaki toplam ağırlık sayısı hesaplanarak YBS için rastgele oluşturulacak olan antikorların özellik sayısı yani antikor matrisinin satır sayısı elde edilir.

Ağırlık sayısı kadar özelliğe sahip her bir antikor için bir ağ oluşturularak eğitim verileri sırasıyla bu ağlara uygulanır. Daha sonra, ağa verilen her bir eğitim verisi için hatalar toplanarak toplam veri sayısına bölünür ve her ağ için ortalama bir hata değeri bulunarak saklanır. Yani ilgili antikorlar için oluşturulan her bir ağa ait ortalama hata değerleri bellidir. Elde edilerek saklanan bu hata değerlerinin içinden minimum olan hata değeri tespit edilerek durdurma kriteri yani hedeflenen minimum hata değeri ile karşılaştırılır. Bu karşılaştırma sonucunda, eğer elde edilen minimum hata hedeflenen hatadan küçük veya eşit ise bu minimum hatanın elde edildiği antikor özellikleriyle birlikte eğitim ve test sınıflama doğruluklarını hesaplamak üzere saklanır. Eğer elde edilen bu minimum hata hedeflenen hata değerinden büyük ise en az hatayı vermiş olan antikorlar tespit edilerek önceden kullanıcı tarafından belirlenen sayı kadar yan yana kopyalanırlar. Yani klonlama işlemine tabii tutulurlar. Daha sonra, klonlanarak çoğaltılan her bir antikorun özelliklerinden daha önceden kullanıcı tarafından belirlenen sayı kadar özellik rastgele seçilip ilgili antikorun hata değerine bağlı olarak rastgele oluşturulan başka özelliklerle değiştirilmek suretiyle mutasyona tabii tutulurlar. Mutasyona uğratılan yeni her bir antikor için ağ oluşturularak eğitim verileri yine aynı şekilde sırayla bu ağlara uygulanır. Bu işlem sonrasında her bir ağ için ortalama hata hesaplanarak elde edilen minimum hata değeri hedeflenen hata ile karşılaştırılmak üzere saklanır.

Bu karşılaştırmada, eğer elde edilen minimum hata hedeflenen hatadan küçük veya eşit ise bu minimum hatanın sahibi olan antikor eğitim ve test sınıflama doğruluklarını hesaplamada kullanmak için saklanır. Eğer tersi durum olursa yani minimum hatanın hedeflenen hatadan büyük olduğu durumda ise iterasyon sayısına bakılır. Mevcut iterasyon sayısı, başlangıçta belirlenen maksimum iterasyon sayısına eşit veya büyük ise yine aynı şekilde minimum hataya sahip olan antikor saklanır. Eğer iterasyon sayısı belirlenen maksimum sayıya ulaşmamış ise yeni bir antikor popülasyonu oluşturularak aynı adımlar "Her bir antikor için ağ oluştur" aşamasından itibaren tekrar edilir. Tabi bu aşamada mevcut iterasyon sayısı bir birim arttırılır.

Yeni bir antikor popülasyonu meydana getirme işleminde, mutasyona uğratılmış antikorların tutulduğu matrisin içinden daha önceden kullanıcı tarafından belirlenen sayı kadar minimum hataya sahip olan antikorlar alınarak yeni bir antikor matrisine eklenir.

Yeni antikor popülasyonunun boş kalan kısımları ise başlangıçta olduğu gibi aynı özellik sayısında rastgele bir şekilde antikorlar oluşturularak tamamlanır. Böylelikle, vücudumuzdaki biyolojik bağışıklık sisteminde olduğu gibi çeşitlilik ve yenilenme sağlanmış olur.

Bu akış diyagramındaki işlemlerinin tamamı, elde edilen minimum hatanın hedeflenen hataya eşit ya da daha küçük oluncaya kadar veya mevcut iterasyon sayısı belirlenen maksimum iterasyon sayısına ulaşıncaya kadar devam eder. İstenen şartlardan biri sağlandığında test işlemine geçilir.

YBS-YSA hibrit sisteminin test işlemine ise Şekil 3.31' de görüldüğü gibi test verilerinin sisteme yüklenmesi ile başlanır. Daha sonra eğitme işlemi sonucunda elde edilen minimum hataya sahip olan antikor özellikleriyle birlikte yüklenir. Bu tek antikor için tek bir ağ oluşturularak test verileri sırasıyla bu ağa uygulanır. Ağa uygulanan her bir test verisi için elde edilen sonuçlar bir dizide sonradan doğruluk oranını hesaplamak üzere saklanır. Saklanan bu sonuçlar, elde edilmesi gereken hedef değerler ile karşılaştırılarak hata oranı ve sınıflama başarı yüzdesi hesaplanır.

Eğitim işleminin hata oranı ve sınıflama başarı yüzdesi için de yine aynı algoritma kullanılır. Tek fark, test verilerinin yerine eğitim verilerinin sisteme yüklenmesidir.

Hem eğitim hem de test işlemlerinde sistemin sınıflama başarısını tespit etmek için bölüm 3.8' de anlatılan MAE (Mean Absolute Error), MSE (Mean Square Error), RMSE (Root Mean Square Error) ve ROUND (0 ve 1 yuvarlama; ≥0.5 için 1, <0.5 için 0' a yuvarlama) olmak üzere dört farklı hesaplama tekniği kullanılmış ve hepsinin sonucu uygulama bölümünde tablolar şeklinde verilmiştir.