Yapay Sinir Ağları Metodolojisi ile Öngörü Modellemesi: Bazı Makroekonomik Değişkenler İçin Türkiye Örneği
)
5
(
))
(
(
∑
∑
→
→
+
+
=
j
i
j
ij
j
k
j
j
j
k
k
k
x
w
f
w
f
y
α
α
Denklem-5 daha önce açıklanmamış olan bazı parametre ve fonksiyonlar
içermektedir. y
k
çıktı değerleri gösterirken, f
k
çıktı tabakası transfer fonksiyonunu
göstermektedir.
α
k
çıktı tabakasına ait sapma değerini, W
j
çıktı tabakasına ait
ağırlıkları, f
j
ve
α
j
sırasıyla gizli tabakaya ait transfer fonksiyonunu ve sapma
değerini, x
i
girdi değerleri ve w
ij
ise i girdi elemanını j gizli elemanına bağlayan
ağırlığı temsil etmektedir. İki gizli tabaka olması durumunda ise bu fonksiyonel
gösterim Denklem-6 şeklinde olacaktır. Gizli tabaka sayısı arttıkça bu gösterim de
benzer şekilde değişmeye devam edecektir.
)
6
(
)))
(
(
(
∑
∑
∑
→
→
→
+
+
+
=
j
i
j
ij
j
k
j
j
jk
k
l
k
k
l
l
l
l
x
w
f
w
f
w
f
y
α
α
α
Belirli bir uygulamaya yönelik bir ağ yapılandırıldıktan sonra, bu ağ artık
eğitilmeye hazır durumdadır. Bu aşama, daha önce değinilmiş olan deneyim yoluyla
öğrenme özelliği için kilit önem taşımaktadır. Çünkü bu, bağlantı ağırlıklarının
belirlendiği aşamadır. Genel olarak, başlangıç ağırlıkları rassal olarak seçilir ve
eğitme, ya da diğer bir ifadeyle öğrenme işlemi başlar. Eğitme işlemi için
“yönlendirmeli (supervised)” ve “yönlendirmesiz (unsupervised)” olmak üzere iki
yaklaşım vardır. Yönlendirmeli eğitme, ağın çıktı için istenilen veri değerleri
verebilmesi için girdi-çıktı ilişkisini elde edebilmesini sağlayacak bir mekanizma
içermektedir. Yönlendirmesiz eğitme ise dış müdahale olmaksızın, girdilerin ağ
tarafından analiz edilmesi ve bu analiz sonucunda bağlantıların oluşturulmasıdır.
Kullanılan ağların büyük çoğunluğu yönlendirmeli eğitmeyi kullanır.
Yönlendirmesiz eğitme, girdiler için bazı karakter belirleme durumlarında
kullanılır. Bununla beraber, kendi kendine öğrenme kavramı parlak bir gelişme
potansiyeli taşısa da günümüzde tam olarak çalışmamaktadır.
http://ekutup.dpt.gov.tr/ekonomi/tahmin/yurtoglh/ysa..pdf
23
Yapay Sinir Ağları Metodolojisi ile Öngörü Modellemesi: Bazı Makroekonomik Değişkenler İçin Türkiye Örneği
Yönlendirmeli eğitmede hem girdi hem de çıktı veriler kullanılır. Öncelikle,
ağ rassal olarak belirlenen başlangıç ağırlıklarını kullanarak girdileri işler ve çıktıyı
istenilen çıktı ile karşılaştırır. Elde edilen hatalar sistem içinde geriye gönderilir ve
bu hatalar kullanılarak ağı kontrol eden bağlantı ağırlıkları güncellenir. Bu işlem
defalarca tekrarlanır ve bağlantı ağırlıkları sürekli olarak ayarlanır (tweaked).
Eğitme sırasında kullanılan veri seti “eğitme veri kümesi (training set)” olarak
adlandırılır. Bir ağın eğitilmesi sırasında, aynı veri seti bağlantı ağırlıkları
belirleninceye kadar defalarca işlemden geçirilir.
Bugün, yapay sinir ağı oluşturmaya yönelik programlar, bir ağın doğru cevabı
öngörebilme yeteneğine nasıl yakınsadığını gözlemlemeye ve test etmeye yönelik
araçlar sağlamaktadır. Diğer taraftan, sistem yalnızca (istatistiksel olarak) istenilen
noktaya veya doğruluğa ulaşınca durdurulmaktadır ve bu durum da diğer araçlarla
birleşince eğitme işlemleri günlerce sürebilmektedir. Bu arada, bazı ağlar öğrenme
işlevini hiç yapamayabilir. Bunun sebebi girdi verinin istenen çıktıya ait belirli bir
bilgi taşımaması olabilir. Ayrıca, tam öğrenmeyi sağlayacak kadar yeterli veri
olmaması durumunda ağ yakınsamayabilir. İdeal olarak, gerekli testlerin
yapılabilmsei için veri setinin bir bölümünün ayrılabileceği kadar geniş bir veri seti
gereklidir. Fazla sayıda işlem elemanı içeren çok tabakalı ağlar veri için hafıza
oluşturabilme yeteneğine sahiptirler. Ağın hafızaya alma sürecinin yeterli olup
olmadığının gözlenebilmesi için ise, yönlendirmeli eğitmede veri setinin bir
bölümü, eğitme sonrasında gerekli testlerin yapılabilmesi için ayırılmalıdır.
Diğer taraftan, bir ağın ilgili problemi çözememesi durumunda kullanıcının
yapabilecekleri iki gruba ayırılabilir. İlk grup ağın yapısının gözden geçirilmesini
kapsar. Daha açık olmak gerekirse, girdi ve çıktı veriler, tabaka sayısı, her
tabakadaki eleman sayısı, tabakalar arasındaki bağlantılar, toplama, transfer ve
eğitme fonksiyonları ve hatta başlangıç ağırlıkları gözden geçirilmelidir. Tüm bu
kriterler, yapay sinir ağlarının sanatsal bölümü olan başarılı bir ağ oluşturmak için
gereklidir. Diğer grup ise kullanıcın tercihine ve yaratıcılığına bağlı olan eğitme
http://ekutup.dpt.gov.tr/ekonomi/tahmin/yurtoglh/ysa..pdf
24
Yapay Sinir Ağları Metodolojisi ile Öngörü Modellemesi: Bazı Makroekonomik Değişkenler İçin Türkiye Örneği
kurallarını içermektedir. Eğitme sırasında ağırlıkların ayarlanabilmesi için gerekli
adaptif geri beslemeyi sağlayacak çok sayıda değişik eğitme kuralı (algoritma)
vardır. En yaygın olan teknik geriye doğru hata beslemesi ya da bilinen ismiyle geri
yayılmadır. Bu eğitme kuralları daha sonra ayrıntılı olarak açıklanacaktır.
Eğitme konusunda diğer bir önemli nokta ise öğrenmenin sürekli devam
edeceğidir. Bir optimum noktaya gelindiğinde, YSA veri setinin genel istatistiksel
trendine göre kendisini biçimlendirir. Bu noktadan sonra ise eğitmeye devam
edilmesi durumunda ağ öğrenmeye devam edecektir (bkz. Ek 1). Bu aşamada, ağ
veri setinden hatalı (spurious) ilişkiler çıkartmaya başlayabilir. Bu yüzden aşırı
eğitme sorununa dikkat edilmeli ve eğitme uzunluğu iyi ayarlanmalıdır.
Eğitme işlemi doğru bir şekilde tamamlandığında, yani hem daha fazla
öğrenmeye gerek kalmamış hem de aşırı eğitme yapılmamışsa, istenildiği takdirde
ağırlıklar dondurululabilir. Bazen, ağın ortaya çıkan son hali bir donanıma
(hardware) çevrilerek daha hızlı çalışması sağlanabilmektedir. Diğer sistemler ise
kullanılırken de öğrenmeye devam edebilirler.
Diğer eğitme yaklaşımı olan yönlendirmesiz yaklaşım ayrıca adaptif eğitme
olarak da adlandırlır. Bu eğitme yaklaşımında, ağa girdi sağlanır ama istenilen çıktı
değerler sağlanmaz. Sistem girdi veriyi gruplandırmak için hangi özellikleri
kullanacağına kendi kendisine karar verir ki bu yöntem kendi kendine öğrenme
(self-organization) veya adaptasyon olarak bilinir. Günümüzde, yönlendirmesiz
eğitme tam olarak anlaşılamamış durumdadır. Adaptif eğitmenin öncü
araştırmacılarından birisi Tuevo Kohonen’dir. Kohonen, doğru cevabı bilmenin
yararlarından yararlanmadan öğrenen bir ağ geliştirmiştir
3
. Bu ağ, bir çok sayıda
bağlantısı olan tek tabakaya sahip olması nedeniyle biraz sıra dışı sayılabilir.
3
Kendi kendine öğrenen (self-organizing) yapılar ilk olarak Malsburg (1973) ve Willshaw ve Malsburg
(1976) tarafından ortaya atılmıştır. Fakat, bu konudaki temel gelişme Kohonen (1982) tarafından
sağlanmıştır.
http://ekutup.dpt.gov.tr/ekonomi/tahmin/yurtoglh/ysa..pdf
25
Dostları ilə paylaş: |