Yapay Sinir Ağları Metodolojisi ile Öngörü Modellemesi: Bazı Makroekonomik Değişkenler İçin Türkiye Örneği
Ayrıca, diğer belirgin özellik olarak, bu ağın bağlantı ağırlıkları için başlangıç
değerleri verilmelidir ve girdi değerler normalize edilmelidir.
Kohonen, daha sonra çalışmalarını bu standart yapının dışındaki ağlara, ileri
besleme ve geri yayılma yaklaşımlarına yöneltmiştir. Kohonen’in çalışması
nöronları belirli alanlara gruplandırmakla ilgilidir. Bir alanın içerdiği nöronlar
topolojik olarak sıralanmıştır (topologically ordered). Topoloji, matematiğin bir
dalıdır ve geometrik yapıyı değiştirmeden bir boyuttan diğerine haritalamanın
(mapping) nasıl yapılacağı ile ilgilenir. Kohonen, sinir ağı modellerinde topolojik
sıralamanın olmamasının bugünkü sinir ağlarını, beyin içindeki gerçek sinir
ağlarının basit bir çıkarımsaması (abstraction) haline getirdiğini belirtmiştir. Bu
araştırmalar devam ettikçe daha etkili kendi kendine öğrenen ağlar elde edilebilir.
Fakat, şu an için bu alan sadece deney ortamlarında kalmaktadır.
Öğrenme (veya adaptasyon) YSA’ların yapısı içinde önemli bir yere sahiptir.
Çünkü, YSA’ların bazı önemli özellik ve avantajlarının kaynağını oluşturmaktadır.
Bu yüzden, YSA yapısı içindeki öğrenme sürecine yönelik elemanlar büyük önem
taşımaktadır. Bu elemanların ilki öğrenme fonksiyonudur. Öğrenme fonksiyonunun
amacı her işlem elemanının girdilerine ait değişken bağlantı ağırlıklarını
ayarlamaktır. Girdi bağlantı ağırlıklarının, istenilen sonucu elde edecek şekilde
değiştirilmelerini sağlayan bu işlem adaptasyon fonksiyonu olarak da
adlandırılmaktadır.
İkinci eleman ise hata fonksiyonudur. Öğrenme fonksiyonunun gerekli
ayarlamaları yapabilmesi için yanılma payının biliniyor olması gerekmektedir. Hata
fonksiyonu, bu amaca yönelik olarak, o anki çıktı ile istenilen çıktı arasındaki farkı,
hatayı, hesaplar ve gerekiyorsa bir transformasyon uygular. Bu hata, literatürde cari
hata (current error) olarak adlandırılır ve bu hata veya transformasyonu sağlanmış
hali (geri yayılma değeri) genellikle önceki tabakaya geri yayılır. Bu geri yayılma
http://ekutup.dpt.gov.tr/ekonomi/tahmin/yurtoglh/ysa..pdf
26
Yapay Sinir Ağları Metodolojisi ile Öngörü Modellemesi: Bazı Makroekonomik Değişkenler İçin Türkiye Örneği
değeri, bir sonraki öğrenme döngüsünde öğrenme fonksiyonu tarafından bağlantıları
ayarlamak için, tabii ki gerekli ise, kullanılır.
Diğer bir eleman ise öğrenme oranıdır. Öğrenme oranı, öğrenme sürecinin hızı
ve işlevi açısından önemlidir. Çünkü, YSA’ların öğrenme gücü ile hızı ters
orantılıdır. Basit bir şekilde, bir adımda daha fazla öğrenme, daha düşük bir hız ve
dolayısıyla daha fazla zaman anlamına gelmektedir. Diğer bir ifadeyle, daha fazla
hız daha az öğrenme anlamına gelmektedir. Sonuç olarak, bir ağın ne kadar
eğitileceği sorusu öğrenme oranına bağlıdır. Öğrenme oranının belirlenmesinde ise
ağın karmaşıklık düzeyi, büyüklüğü, mimarisi, kullandığı öğrenme kuralı ve
istenilen doğruluk derecesi gibi bir çok faktör rol oynar. Çoğu öğrenme fonksiyonu,
öğrenme oranı için belirli standartlara sahiptir. Öğrenme oranı genellikle (0,1) gibi
bir aralık içinde belirlenir. Bu aralıkta, öğrenme oranının küçük değer alması, yavaş
bir öğrenme süreci getirecektir. Diğer taraftan ise, öğrenme sürecinin küçük adımlar
halinde olması maksimum doğruluk derecesine yakınsamayı getirebilecektir.
Ek 2’de Yapay Sinir Ağlarının çalışma şeklini basit bir şekilde anlatan bir
örnek model çözümü sunulmuştur. YSA methodolojisi ve teorisi hakkında buraya
kadar anlatılanların daha net anlaşılmasını ve daha sonra anlatılan uygulamalar ile
kolaylıkla birleştirilebilmesini sağlayabileceği düşünülen bu örnek çözüm Balkin
(2001)’den alınmıştır.
2.3. YSA Çeşitleri
YSA’ların çok sayıda farklı çeşitleri vardır. Bu farklılıkların kaynağı mimarisi,
öğrenme yöntemi, bağlantı yapısı vb. olabilmektedir. Genel olarak, YSA’lar üç ana
kritere göre sınıflandırılmaktadırlar. Bu kriterlerden biri öğrenme yöntemidir.
Önceki bölümde belirtildiği gibi, temel olarak iki çeşit öğrenme algoritması vardır:
yönlendirmeli öğrenme ve yönlendirmesiz öğrenme. Her yöntemin kullandığı
http://ekutup.dpt.gov.tr/ekonomi/tahmin/yurtoglh/ysa..pdf
27
Yapay Sinir Ağları Metodolojisi ile Öngörü Modellemesi: Bazı Makroekonomik Değişkenler İçin Türkiye Örneği
öğrenme kuralı değişebilmekteyse de, YSA’lar bu iki algoritmaya göre
sınıflandırılırlar.
İkinci bir sınıflandırma, ağın kullandığı veriye göre yapılmaktadır. Temel
olarak, kalitatif ve kantitatif olmak üzere iki tür veri vardır. Kalitatif verilerle
çalışan ağlar, ister yönlendirmeli ister yönlendirmesiz öğrenme kullansın,
sınıflandırma ağları olarak bilinirler. Kantitatif veriler kullanan yönlendirmeli
eğitme ise regresyon olarak adlandırılmaktadır.
Son sınıflandırma kriteri ise ağın yapısıdır. Bazı ağlar ileri besleme şeklinde
yapılandırılırken, bazı ağlar ise geri besleme yapısı içermektedir. İleri besleme sinir
ağlarında, işlem elemanları arasındaki bağlantılar bir döngü oluşturmazlar ve bu
ağlar girdi veriye genellikle hızlı bir şekilde karşılık üretirler. Geri beslemeli
ağlarda (Recurrent Networks) ise bağlantılar döngü içerirler ve hatta her seferinde
yeni veri kullanabilmektedirler. Bu ağlar, döngü sebebiyle girdinin karşılığını yavaş
bir şekilde oluştururlar. Bu yüzden, bu tür ağların eğitme süreci daha uzun
olmaktadır. Ayrıca, hem ileri besleme hem de geri yayılma olarak tanımlanabilecek
ağ yapıları da mevcuttur. Şekil 2.10’da, bir kıyaslamaya imkan tanıyabilmek için,
çok tabakalı ileri besleme ağ yapısı ile birlikte çok tabakalı geri besleme ağ yapısı
örneklenmektedir.
Şekil 2.10: İleri Beslemeli ve Geri Beslemeli Ağ Yapıları
http://ekutup.dpt.gov.tr/ekonomi/tahmin/yurtoglh/ysa..pdf
28
Dostları ilə paylaş: |