Yapay Sinir Ağları Metodolojisi ile Öngörü Modellemesi: Bazı Makroekonomik Değişkenler İçin Türkiye Örneği
çıktı arasındaki fark hesaplanır ve bu hata önceki tabakalara iletilir (geri yayılma).
Bu süreçteki önemli nokta ise, hata önceki tabakalara iletilirken, transfer
fonksiyonunun türevi ile bir transformasyon işlemi uygulanmasıdır. Hatanın
iletilmesi, tabaka tabaka geriye doğru olur ve bu süreçte Delta Kuralı ile bağlantı
ağırlıkları ayarlanır. İşlem, girdi tabakasına ulaşılana kadar devam eder ve bu
noktada yeni bir döngüye başlar.
Geri yayılma algoritmasında, Delta Kuralı ile bağlantıların ayarlanmasının
matematiksel gösterimi şu şekilde özetlenebilir. Delta Kuralı, temel olarak, ilgili
bağlantı ağırlığının ayarlanması için gerekli olan düzeltme miktarını formüller.
Buna göre, nöron(i) ve nöron(j) arasındaki bağlantı için düzeltme miktarı şu şekilde
hesaplanır:
Ağırlık
Düzeltme
Miktarı
=
Öğrenme
Oranı
Parametresi
*
Yerel
Değişim
(Gradient)
*
Nöron(j)
İçin Girdi
Sinyali
veya matematiksel formül olarak:
∆w
ji
(n) =
η * δ
j
(n) * Y
i
(n)
Burada dikkat edilmesi gereken nokta, yerel değişimin hesaplanma şeklinin
nöron(j)’nin çıktı veya gizli nöron olmasına göre değişiklik gösterdiğidir. Buna
göre:
•
Nöron(j) bir çıktı nöronu ise, yerel değişim, nöron(j)’ye ait hata sinyali ve
fonksiyon sinyalinin türevinden hesaplanmaktadır.
•
Nöron(j) bir gizli nöron ise, yerel değişim, fonksiyon sinyalinin türevi ve bir
sonraki tabakadaki nöronlara ait değişimlerin ağırlıklı toplamı kullanılarak
hesaplanır.
http://ekutup.dpt.gov.tr/ekonomi/tahmin/yurtoglh/ysa..pdf
33
Yapay Sinir Ağları Metodolojisi ile Öngörü Modellemesi: Bazı Makroekonomik Değişkenler İçin Türkiye Örneği
Burada, Delta Kuralının içerdiği düzeltme formülünün mantığı ve bileşenleri
hakkında bilgi bir özet halinde sunulmuştur. Daha ayrıntılı bilgi içinse Haykin
(1999) ve Zurada (1992)’ye bakılabilir. Ayrıca, diğer öğrenme kuralları için bazı
temel bilgilere Ek 4’te yer verilmiştir.
Son olarak, geri yayılma ağların bazı kısıtlamalara da sahip olduğu
belirtilmelidir. Geri yayılma mekanizması oldukça geniş bir girdi-çıktı veri seti ile
geniş çaplı bir yönlendirmeli eğitmeye ihtiyaç duyar. Ek olarak, içsel haritalama
yapısı tam olarak anlaşılamadığından sistemin istenilen doğruluk derecesine
yakınsayamaması ihtimali de mevcuttur.
2.4. Niçin YSA?
Teknolojik gelişme olarak da görülmesi gereken yapay sinir ağları
metodolojisi, özellikleri ve yapabildikleri sayesinde önemli avantajlar sunmaktadır.
Bu bölümde, YSA’ların farklılık ve avantaj sağladığı noktalar incelenmektedir.
Doğrusal Olmayan Yapı
YSA’ların en önemli özelliklerinden birisi gerçek hayattaki olası doğrusal
olmayan yapıları da dikkate alabilmesidir. White (1991) YSA’ların doğrusal
olmayan modeller olarak görülebileceğine dair bulgular ortaya koymuştur. “...
Doğrusal olmayan modellerde kullanılan belirli fonksiyonel yapılar, veriyi üreten
fonksiyonun genellikle YSA’ların ima ettiğinden farklı olduğu ve bu yüzden
YSA’ların kullanılması için gerekli ekonometrik teorinin eksik tanımlı doğrusal
olmayan modeller için olduğunu ima etmektedir. Bunların ön tanımlı yapıları
dayanıksızken, YSA’lar herhangi bir sürekli fonksiyona veya türevlerine yakınsama
yeteneğine sahiptir ve bu yüzden Evrensel Fonksiyon Yakınsayıcı Yöntem
(Universal Function Approximators) olarak tanımlanmaktadırlar.”
8
Doğrusal
8
Beltratti, Margarita ve Terna (1996)’dan alıntı yapılmıştır.
http://ekutup.dpt.gov.tr/ekonomi/tahmin/yurtoglh/ysa..pdf
34
Yapay Sinir Ağları Metodolojisi ile Öngörü Modellemesi: Bazı Makroekonomik Değişkenler İçin Türkiye Örneği
olmayan yapıları dikkate alabilme özelliği bu çalışmanın içeriği açısından da ayrıca
önem taşımaktadır. Çünkü, yapıları gereği ekonomik verilerin de doğrusal olmayan
bir yapıda olmaları normaldir fakat tahmin zorlukları nedeniyle analizler genellikle
lineer yöntemlerle gerçekleştirilmektedir. Halbuki bu durum, muhtemel bir doğrusal
olmayan yapı içerilmesi durumunda yanlış sonuçlara yol açabilmektedir; ya da en
azından analizi yapılan sistemde açıklanamayan bileşenler kalabilmektedir. Sonuç
olarak, analiz konusunun içerdiği veri setinin doğrusal veya doğrusal olmayan yapı
içeriyor olması, analiz sonuçlarını etkileyecek önemli bir faktördür. Bu yüzden,
doğrusal olmayan yapıları dikkate alabilmesi YSA’ların önemli bir özelliğidir.
Bunun ötesinde, bu çalışma kapsamında, YSA’ların bu özelliği sayesinde Türkiye
ekonomisine ait verilerin doğrusallık özellikleri hakkında bazı sonuçlar elde
edilebilecektir ki bu tür bir bulgu önemli bir katkı olarak görülmelidir.
Öğrenme
YSA’ların diğer bir önemli avantajı en önemli özelliğinden
kaynaklanmaktadır. Esin kaynağı insan beyninin çalışma sistemi olan bu yöntem,
eğitme veya başlangıç tecrübesi sayesinde veriyi kullanarak öğrenme yeteneğine
sahiptir. Bu özelliği sayesinde ise geleneksel teknikler için çok karmaşık kalan
problemlere çözüm sağlayabilmektedirler. Ayrıca, insanların kolayca yapabildiği
ama geleneksel metotların uygulanamadığı basit işlemler için de oldukça
uygundurlar.
Yerel İşlem ve Esneklik
YSA’lar, geleneksel işlemcilerden farklı şekilde işlem yapmaktadırlar.
Geleneksel işlemcilerde, tek bir merkezi işlem elemanı her hareketi sırasıyla
gerçekleştirir. YSA modelleri, her biri büyük bir problemin bir parçası ile ilgilenen
çok sayıda basit işlem elemanlarından oluşma ve bağlantı ağırlıklarının
ayarlanabilmesi gibi özelliklerinden dolayı önemli derecede esnek bir yapıya
sahiptirler. Bu esnek yapı sayesinde ağın bir kısmının zarar görmesi modelde sadece
performans düşüklüğü yaratır. Modelin işlevini tamamen yitirmesi söz konusu
http://ekutup.dpt.gov.tr/ekonomi/tahmin/yurtoglh/ysa..pdf
35
Dostları ilə paylaş: |