Süleyman Demrel Ünverstes Süleyman Demrel Unversty Fen Blmler Ensttüsü N. Şengöz, Dergs G. Özdemr / Sınıflandırma Problemlernn Karşılaştırılmasında ANFIS ve Basamak Korelasyon Snr Ağının Kullanımı Journal of Natural and Appled Scences Clt 21, Sayı 1, 125 130, 2017 Volume 21, Issue 1, 125 130, 2017 DOI: 10.19113/sdufbed.15545 Sınıflandırma Problemlernn Karşılaştırılmasında ANFIS ve Basamak Korelasyon Snr Ağının Kullanımı Nlgün ŞENGÖZ *1, Gültekn ÖZDEMİR 2 1 Mehmet Akf Ersoy Ünverstes, Stratejk İşbrlğ Proje Danışmanlık Eğtm Uygulama ve Araştırma Merkez, 15030, Burdur 2 Süleyman Demrel Ünverstes, Mühendslk Fakültes, Endüstr Mühendslğ Bölümü, 32260, Isparta (Alınış / Receved: 28.02.2016, Kabul / Accepted: 30.09.2016, Onlne Yayınlanma / Publshed Onlne: 04.11.2016) Anahtar Kelmeler Yapay zeka, Yapay snr ağları, ANFIS, Basamak korelasyon snr ağları, BKSA Özet: Yapılan bu çalışmada, sınıflandırma problemler üzernde durulmuştur. Bu çalışma farklı yapıda olan 3 adet ver kümesnn (Tohum, Araz Uydu Görüntüleme ve Kırmızı Şarap Kalte Değerlendrme) ncelenmes ve aynı algortmaların bu verlere uygulanması tbaryle hem başarı performansı olarak hem de zaman bakımından aralarındak lşky gözler önüne sermektedr. Tohum vers çn yapılan karşılaştırmada Uyarlamalı ağ tabanlı bulanık çıkarım sstem (Adaptve Network Based Fuzzy Inference Systems ANFIS) le Basamak Korelasyon Snr Ağı BKSA (Cascade Correlaton Neural Network CCNN) test performans yüzdeler %86.41 ve %88.06 olup, şlem zamanı yönünden bakıldığında se BKSA 0.59 sanye gb kısa br süre çersnde sınıflandırma yapmıştır. Araz Uydu Görüntüleme ver kümesnde se test performans yüzdeler ANFIS de %100, BKSA da se %99.92 olmaktadır. Vernn algortma çersnde yaptığı şlem süreler se ANFIS 800 sanye, BKSA 72 sanyede tüm sınıflandırma şlemn tamamlamıştır. Son ver kümemz se Kırmızı Şarap Kalte değerlendrmedr ve test performans olarak bakıldığında ANFIS %99.975, BKSA se %99.862 gb brbrler arasında çokta anlamlı br fark oluşturmadığı açıkça görünmektedr. İşlem zamanı bakımından ANFIS 85.271 sanye le BKSA metoduna göre çok hantal kalmaktadır. Comparson of ANFIS and Cascade Correlaton Neural Network Methods for Classfcaton Problems Keywords Artfcal ntellgence, Neural network, ANFIS, Cascade correlaton neural network, CCNN Abstract: In ths study, t focused on classfcaton problems. Ths thess dfferent structure wth 3 data set (Seed, Terran Satellte Imagng and Red Wne Qualt examnaton and the same algorthms appled to these data as the relatonshp as well as the performance achevements and tme n terms between the eyes reveals. Seed data s for the comparson wth the ANFIS and CCNN test performance of 86.41% and 88.06% percent, n the classfcaton process has always CCNN less tme when vewed from the sde. In the dataset Terran Satellte Imagng performance ANFIS percentage of 100%, n the CCNN s 99.92%. The duraton of the transactons made n the algorthm's data ANFIS 800 seconds, t completed the classfcaton process CCNN all n 72 seconds. Our last data set s red wne qualty evaluaton and performance when vewed as ANFIS% 99 975, the CCNN s clearly not consttute a very sgnfcant dfference between each other lke 99 862%. Accordng to the terms of processng tme wth the BKS method ANFIS 85, 271 seconds s far too cumbersome. 1. Grş Örüntü tanıma, sayıca fazla kategorlere veya sınıflara ayırma şlemler amacını güden br dspln olarak yer almaktadır. Uygulamaya bağlı olarak araştırıcı tarafından verlen nesneler; resm, snyal dalgacıkları * İlgl yazar: nlgunsengoz@mehmetakf.edu.tr 125 veya sınıflandırılablecek herhang br ver kümes olablr. Endüstrde gerçekleşen otomasyon le yen blglern dare edlmes ve verlerden anlamlı blg çıkarılma durumu daha öneml hale gelmes mühendslern bu alana doğru araştırma yapmaya zorlamış ve karar vermede çoğu makne zekâsı
N. Şengöz, G. Özdemr / Sınıflandırma Problemlernn Karşılaştırılmasında ANFIS ve Basamak Korelasyon Snr Ağının Kullanımı sstemler örüntü tanıma da ayrılmaz br parça halne dönüşmüştür. Uygulayıcı metotlar üzernde hangsnn en optmal, hızlı ve hata payı en düşük olanı bulmasıyla ssteme grlen ver kümeler üzernden en uygun algortmanın seçlmesdr.. Sadece tek algortma bazlı ncelemeler gerçekç sonuçlar elde etme olanağını büyük ölçüde kısıtlayacağı çn, farklı tarzlarda yapılan uygulamalar da hem sonuç bazlı hem de uygulama dernlğ açısından karşılaştırma olanağı bulunmaktadır. Farklı algortmaların karşılaştırılacağı ver kümeler brbrnden farklı tarzda olması önem arz etmektedr. Ayrıca uygulayıcının çıktı sonuçlarından hem eğtm hem de test performanslar yüzdeler ve sstem üzernde uygulama üzernde geçen süre de br o kadar önem arz etmektedr. Çalışmada kullanılacak olan algortmalardan br tanes Basamak Korelasyon Snr Ağı (BKSA) dır. İlk defa Fahlman ve Lebere (1990) tarafından gelştrlen BKSA, yapay snr ağları çersnde öğretcl/denetml öğrenme algortmasıdır [1]. Augustejn ve Clemens (1994) görüntü sınıflandırma ve segmentlere ayırmada [2], McKenna vd (1991) Cervcal Hücrelern sınıflara ayrılmasında [3], Augustejn ve Skujca (1993) doku tabanlı unsur tanımada bu algortmayı kullanmışlardır [4]. Daha sonrak yıllarda BKSA farklı metodlar le karşılaştırılmaya başlanmıştır. Burke vd (1997) tıbb sonuç tahmn çn lojstk regresyon, ger yayılımlı snr ağı, eşlenk gradyan nş snr ağı, regresyon ağacı gb metodlar le karşılaştırılmıştır [5]. Ayrıca, Prampero ve Carvalho (1999) araç slütler sınıflandırılmasında Çok Katmanlı Perseptron (MLP) ağ le Radyal Tabanlı Fonksyonu ( RTF ) kullanarak karşılaştırma gerçekleştrmşlerdr [6]. Çalışmada karşılaştırma yapılacak olan br knc algortma se Bulanık Snr Ağ Yapısı yan ANFIS yöntemdr. Bu model, Jang (1997) gelştrmş ve doğrusal olmayan fonksyonların modellenmesnde, kaotk zaman serlernn tahmnnde kullanmıştır [7]. Şenol ve Yıldırım (2009) trot hastalıklarının teşhs çn, ANFIS, Fuzzy MLP, MLP, Fuzzy RBF, RBF, Fuzzy CSFNN, CSFNN gb uzman sstemlern başarılarını karşılaştırmıştır [8]. Sharma ve Mukharjee (2013) beyn tümör bulma problem çn ANFIS metodu le brlkte bulanık C ortalama (FCM) ve K en yakın komşu algortmaları kullanmıştır [9]. Zasabounch ve Askerzade (2014) kalp krz tahmn çn ANFIS metodunu kullanmışlardır [10]. Horlama le lgl seslern büyük lyapunov üstel ve entrop kullanarak sınıflandırma problem çn Ankışhan ve Yılmaz (2013) ANFIS metodu le Destek Vektör Maknasını brlkte kullanmış ve karşılaştırma yapmışlardır [11]. Tüm bu tahmn ve sınıflandırma karşılaştırmaları çersnde basamak korelasyon snr ağı le bulanık snr ağ algortmalarının aynı makale çersnde görülmedğ tespt edlmş olup, lteratürdek boşluğu doldurmak üzere çalışma konusunun bu araştırma olableceğ düşünüldü. Yapılan kapsamlı lteratür çalışmasından da anlaşıldığı üzere sınıflandırma, tahmn, görüntü şleme vb. problemlerde genellkle brbrne yakın metodlar karşılaştırılmış ve çalışmalar bu şeklde lerlemştr. Çalışmanın amacı ortaya konmak stenen br sınıflandırma problem çn k farklı metodun (Basamak Korelasyon Snr Ağı le Bulanık Snr Ağı) karşılaştırılması ve hang metodun daha y sınıflandırma yapacağına dar hesapların ortaya konmasıdır. Bu k farklı türde metodun aynı ver kümes üzernde kullanılması lteratür açısından yen br bakış açısı kazandıracaktır.. 2. Materyal ve Metot Çalışmanın amacına yönelk olarak, örüntü sınıflandırma çn UCI Machne Learnng (https://archve.cs.uc.edu/ml/datasets.html) nternet stesnden güncel olan 3 adet brbrnden farklı ver kümeler (Tohum, Araz Uydu Görüntüleme ve Kırmızı Şarap Kalte Değerlendrme) üzernde Basamak korelasyon snr ağı le Bulanık snr ağ metodları uygulanmıştır. 2.1. Basamak korelasyon snr ağı (BKSA) Basamak Korelasyon öğrenme algortması ger yayılım öğrenme algortmasının getrdğ problemler ve kısıtlamalar yüzünden gelştrlmştr [12]. Br ağın çndek sabt topoloj de ağırlıkları ayarlamak yerne, Basamak Korelasyon lk önce mnmum ağ le başlar, sonra otomatk olarak eğtr ve yen gzl katmanları tek tek ekleyerek çok katmanlı br yapı oluşturur. Eğer yen gzl katman ağa eklenrse, grş tarafındak ağırlıklar dondurulur. Eklenmş olan bu katman kalıcı br hal alarak ağda özellk seznleyc (feature detector) olur k bu durum daha karmaşık özellk seznleycler çn yen çıkışlar üretme veya yen yaratımlar çn, olanak sağlar. Basamak Korelasyon yapısı var olan dğer algortmalara nazaran bazı avantajlara sahptr: çabuk öğrenr, ağ boyutuna ve topolojsne kend karar verr, eğtm kümes değşse dah kurulmuş olan yapı kendn korur ve ağın bağlantıları aracılığıyla hata snyallernn hçbr ger yayılım gerektrmez. Fahlman ve Lebere (1990) tarafından bulunan bu algortmanın 11 temel adımları aşağıda sunulmuştur: Adım 1: Problem tarafından verlen tüm grş ve çıkışlar brbryle bağlantılı olacak şeklde başlanır. Adım 2: Tüm bağlantılar karesel hata değer (Es) anlamlı ölçüde düşmeyecek şeklde blnen br öğrenme algortması le eğtlr. 126
N. Şengöz, G. Özdemr / Sınıflandırma Problemlernn Karşılaştırılmasında ANFIS ve Basamak Korelasyon Snr Ağının Kullanımı (Fahlman ve Lebere, 1990) (1) m çıkış sayısını, Np eğtm set büyüklüğünü, y,p snr ağından nnc çıkışı, t,p se lgl hedef belrtr. Adım 3: Tüm ağın dış grşlernden ve eğer varsa var olan öncek gzl katmanlarından aday br katman oluşturulur. Bu aday katman henüz aktf olan ağın çıkışına bağlı değldr. Adım 4: Sc olarak gösterlen (Denklem 2 korelasyonu maksmze edecek şeklde katman (ağırlıkları) eğtlr. Öğrenme, sıradan br algortma le çok fazla zaman alır; korelasyon daha fazla lerleyemedğ zaman eğtm durur ve bunun denklem se aşağıda belrtlmştr; kullanılmaktadır. Bulanık mantık le modellemede en öneml adım grş/çıkış değşkenlernn üyelk derecelernn belrlenmes olarak gösterlmektedr. ANFIS, YSA nın öğrenme yeteneğn kullanarak, eğtm ver kümesnden bulanık set ve kuralları belrlemekte ve kural tabanlı br modelleme gerçekleştrmektedr. ANFIS, üç katmanlı ler beslemel br YSA şeklnde değerlendrleblr. Bu ağ yapısında, brnc katman, grş değşkenlernn uygulandığı ve YSA yardımıyla üyelk fonksyonlarının belrlendğ katman, knc katman bulanık kuralların oluşturulduğu ve çıkarım şlemnn gerçekleştrldğ katman ve en son katman se çıkarım sstem sonucunun elde edldğ katmandır [7]. x A 1 (Fahlman ve Lebere, 1990) (2) A 2 B 1 f(x, zo,p aday gzl katmanın çıkışını, E,p se adım 2 de hesaplanan (E,p=y,p t,p) çıkışların artık hata değern belrtmektedr. Br ncelğn üstündek çzg eğtm set üzerndek ortalamayı gösterr. y f(x, B 2 Tabaka 1 Tabaka 2 Tabaka 3 Tabaka 4 Tabaka 5 Adım 5: Aday katmanı çıkışlara bağlanır ve grş değerler dondurulur. Bu sayede aday katman fazladan grş katman olarak hareket eder. Adım 6: Adım 2 de de belrtldğ üzere, grş çıkış bağlantıları tekrardan karesel hata değer (Es) n mnmze edecek şeklde eğtlr. Adım 7 ve Adım 10: Adım 3 ten Adım 6 ya kadar olan kısmı br seferde gzl katman ekleyerek tekrar edlr. Adım 11: E, net hatası verlen br değern, ɛ, altına düştüğü zaman eğtm durdurulur. Tek br aday katman yerne, aday katmanların olduğu br havuzdan her br farklı başlangıç ağırlık kümes kullanmak daha ydr. Heps aynı grş snyallern alır ve her br eğtm model çn aynı artık hata görülür. Çünkü onlar brbrleryle etkleşme geçmez veya aktf ağı etklemez, aynı anda eğtlmş olablrler. Sadece adaylardan hangsnn korelasyon skoru yyse o yüklenr. Aday havuz sstemn kullanımı eğtm kötü yönde etkleyecek ve onu durdurablecek br katmanın yüklenmes rskn ortadan kaldırıyor. Fahlman ve Lebere (1990), her br havuzun çersnde dört veya sekz aday katmanın olma durumunun yeterl olacağını belrtmştr [13]. 2.2. Snrsel bulanık mantık çıkarım sstem (ANFIS) YSA ve Bulanık Mantık yöntemlernn brleşmnden oluşan Snrsel Bulanık Mantık Çıkarım Sstem (ANFIS) br modelleme yöntem önerlmekte ve Şekl 1. İk grşl br Sugeno Bulanık Çıkarım Sstem Yapısı (Jang, 1997) Katman 1: Bu katmanda her br düğüm, grş değşkenlernn üyelk fonksyonları düğüm fonksyonlarını oluşturur. Her br düğüm çıkışı Denklem 3 ve 4 gb hesaplanır; O1, A ( x) 1,2 (3) O1, B 3,4 (4) ( 2 Denklem (5)'de verlen Genelleştrlmş çan tp üyelk fonksyonu kullanılarak, düğüm çıkışı hesaplanmıştır. Burada, bulanık çıkarım sstemnn lneer olmayan grş parametrelerdr. ( ) 1 x c 1 a 1 OP A x 2b (5) Katman 2: Bu katmandak her br nöron AND/OR operatörler kullanılarak grş snyaller le çarpılır. Düğüm çıkışı çn ateşleme kuvvet denklem (6) yardımıyla hesaplanır; O w ( x) (, 1,2 j 1,2 k 1,... 4 (6) 2, k k A Bj Katman 3: Bu katmanda ateşleme kuvvet normalze th edlr. düğüm çn normalze edlmş ateşleme kuvvet aşağıdak gb hesaplanır. 127
N. Şengöz, G. Özdemr / Sınıflandırma Problemlernn Karşılaştırılmasında ANFIS ve Basamak Korelasyon Snr Ağının Kullanımı w O3, w, 1,... 4 w w 1 2 (7) etmektr. Ver kümes çersnde pksellern sınıfı sayı olarak verlmştr. (Jang, 1997) Katman 4: Bu katmanda, her br düğümün model çıktısı üzerndek katkısı hesaplanır. O4, w. f w.( p xq yr ) 1,... 4 (8) (Jang, 1997) Burada, w katman 3 ün çıkışı; p, q, r bulanık çıkarım sstemnn çıkış parametrelerdr. Katman 5: Bu katman çıkış katmansı olarak adlandırılır ve ANFIS n genel çıkışı hesaplanarak durulaştırma şlem le bulanık değerden kesn değere dönüştürülür. f ( x, w ( x, f ( x, w ( x, f ( x, w f w f 1 1 2 2 1 1 2 2 (9) w1 ( x, w2 ( x, w1 w2 5, f ( x, w. f w f w Q 1 1 2 f 2 (Jang, 1997) 3. Bulgular w f w (10) Bu çalışmada örüntü sınıflandırma çn UCI Machne Learnng nternet stesnden güncel olan 3 adet brbrnden farklı ver kümeler üzernde BKSA le ANFIS metodları uygulanmıştır. Bu çalışma yapılırken gerekl görülen Blgsayar Programlama dller kullanılmıştır. Oluşturulan tüm tablolar yapılan şlemler sonuçlarını göstermektedr. İlk ncelenen ver kümes Tohum ver kümes olup, geometrk şekllerne göre ölçülmüş 7 parametre mevcuttur. Bunlar; kernel buğdayının alanı, çevres, uzunluğu, genşlğ, oyuğu, yoğunluğu ve asmetrk katsayısına göre 207 tane örnek mevcuttur. Buradak öneml ayrıntı se, lk 69 ver Kama, sonrak 69 ver Rosa ve son 69 ver se Canadan olan 3 sınıf mevcuttur. Tablo 1. Tohum adlı ver kümesnn sonuç değerler Model Eğtm Test Zaman (sanye) ANFIS 98.076923 86.407767 1.145 BKSA 98.365385 88.058252 0.598 Araz uydu görüntü ver kümes, br uydu görüntüsünde 3x3 lük komşu pksellern oluşturduğu çoklu spektral değerlern çermekte olup, her br komşusunda merkez pksel le sınıflandırma oluşturmaktadır. Amacı se verlen çoklu spectral değerler üzernde bu sınıflandırmayı tahmn Bu ver kümesnde 6 adet sınıf vardır, bunlar; kırmızı toprak, pamuk mahsulü, gr toprak, neml gr toprak, btk anızı le toprak ve son olarak da çok neml gr topraktır. Bunların her brne sayı verlmş olup sırasıyla 1 den 6 ya kadar gtmektedr. Toplamda 6435 ver olup, her br sınıfın 37 adet özntelğ bulunmaktadır. Tablo 2. Araz Uydu Görüntüsü adlı ver kümesnn sonuç değerler Model Eğtm Test Zaman (sanye) ANFIS 100 100 800.951 BKSA 99.972032 99.928505 72.166 En son olarak ncelenen ver kümes se Kırmızı Şarap Kalte Değerlendrmedr. UCI Machne Learnng stesnden en y 10 versnden br tanes olup, Mayıs/2004 le Şubat/2007 tarhler arasında 1600 adet ver toplanmıştır. Grd değşkenler (fzkokmyasal deneylerne dayanmaktadır) olarak sırasıyla; sabt astlk, uçucu astlk, strk ast, artık şeker, klorürler, kükürt dokstsz, toplam kükürt dokst, yoğunluk, ph, sülfatlar ve alkoldür. Çıktı değşken (duyusal verlere dayalı) se kırmızı şarabın kaltesn gösteren 0 le 10 arasında puanlamadır. Tablo 3. Kırmızı Şarap Kalte Değerlendrme ver kümesnn sonuç değerler Model Eğtm Test Zaman (sanye) ANFIS 100 99.975 85.271 BKSA 99.9625 99.862 4.0086 4. Tartışma ve Sonuç Yapay zeka çalışmaları gün geçtkçe günümüz dünyasında daha fazla önem kazanmakta olup neredeyse tüm sstemlere uygulanablrlğ üzernde çalışmalar yapılmaktadır. Büyük ver kümeler çersnde stenlen blgye ulaşmak önem arz etmektedr. Bu yüzden bu tür çalışmalara örnek oluşturma açısından elde olan verlern sınıflandırılma şlem yapay zeka metodları le rdelenmş ve çalışılmıştır. UCI Machne Learnng nternet stesnden elde edlen verlern normalzasyon şlemlerne tab tutulması gerekmştr. Normalzasyon teknklern seçm ver çn önem arz etmekte olup, ağın performans yüzdelern drekt olarak etklemektedr. Bunun neden se normalzasyon şlem ssteme grlen verlern transfer durumunda fonksyonun en aktf olan alanından aktarılmasını sağlar. Böylelkle yüksek değerlenen kümülatf toplamların yaratacağı olumsuzlukların engellenmes sağlanır. Log Sgmod normalzasyonunun seçlme neden yapılan lteratür taramasında da görüldüğü üzere (Yavuz ve Devec, 128
N. Şengöz, G. Özdemr / Sınıflandırma Problemlernn Karşılaştırılmasında ANFIS ve Basamak Korelasyon Snr Ağının Kullanımı 2012) elmzdek verler poztf olduklarından dolayı bu metod seçlmştr. Bu çalışma farklı yapıda 3 adet ver kümesnn ncelenmes ve aynı algortmaların bu verlere uygulanması tbaryle hem başarı performansı olarak hem de zaman bakımından aralarındak lşky gözler önüne sermektedr. Tohum vers 207 adet her br 69 sınıftan oluşan 3 sınıflı br yapıya hazdr. Test ve eğtm kısmı 104 ve 103 adet olup kullanılan blgsayar programlama dlnde tesadüf olarak atanmıştır. Elde edlen sonuçlara bakılacak olursa ANFIS le BKSA test performans yüzdeler (%86.41, %88.06) anlamlı br fark oluşturmamıştır. Eğtm performans yüzdelerne bakılacak olursa eğer ANFIS %98.07, BKSA se %98.36 olarak gerçekleşmştr. Test performans değerler gb eğtm performans yüzdeler arasında da anlamlı br fark yoktur. Bu nedenle dğer br karşılaştırma krter olan şlem zamanlarına bakmakta fayda görülmüştür. İşlem zamanı açısından BKSA 0.598 sanye le 1.145 sanye olan ANFIS şlem zamanından daha kısa sürede gerçekleştrmştr. Hem daha kısa sürede hem de performans açısında neredeyse %3 lük br başarısı olan BKSA yne de elde olan verlern eğtm kısmı sayıca az olduğundan %95 ve üstü aralığına grememştr. Dğer br ver kümes StatLog yan Uydu görüntüleme le elde edlen br ver kümesdr. 6435 adet ver olup, her br 6 sınıfın 37 tane özntelğ vardır. Br öncek ver kümesne nazaran daha fazla eğtm ve test kümes ayrıldığından test performans yüzdeler ANFIS de %100, BKSA da se %99.92 olmaktadır. Eğtm performansları yüzdelerne bakılacak olursa eğer ANFIS yne %100 lük br başarı sağlamış, BKSA se %99.97 lk rakamla aralarında öneml ölçüde fark olmadığını ortaya koymuştur. Bu bağlamda şlem süres açısından bakılacak olursa eğer; ANFIS 800 sanye ken BKSA 72 sanyede tüm sınıflandırma şlemn tamamlamıştır. Buradan da açıkça görüleceğ üzere ANFIS her ne kadar %100 lük br başarı serglemş olsa da BKSA %99.92 le hem zaman açısından hem de performans başarı yüzdes olarak ANFIS algortmasından çok daha y br örüntü tanıma serglemştr. Bu durumdan da anlaşılacağı üzere eğer ssteme eğtm ve test bakımından daha fazla sayıda ver yüklenrse sstem çok daha y br performans serglemekte ve araştırmacılara daha y sonuçlar vermektedr. Son olarak ncelenen ver kümes se 10 adet sınıftan oluşan 11 özntelğe sahp Kırmızı Şarap Kalte değerlendrme ver kümesdr. Aynı nternet stenn en y ve eksksz olan verlernden br tanes olan bu küme üzernde yne aynı metodlar denenmş hem performans hem de şlem zamanı açısından değerlendrlmeye tab tutulmuştur. Bu ver kümesnn seçm neden se öncek kümelern sınıfları 3 ve 6 ken bunda 10 adet sınıf olması algortmayı zorlayıcı etkenlerden br tanesdr. Dğer kısıtlardan br se özntelk sayısı (11 adet) StatLog ver kümes kadar (37 adet) olmasa da Tohum ver kümesnden (7 adet) fazla olması sebebyetyle başka br zorlayıcı etken olarak karşımıza çıkmaktadır. Sonuç tbaryle performans yüzdeler bakımından ANFIS eğtmde %100 lük, BKSA se %99.9625 le başarı sağlamıştır. Test performansları bağlamında ANFIS %99.975, BKSA se %99.862 gb brbrler arasında çokta anlamlı br fark oluşturmadığı açıkça görünmektedr. Performans yüzdeler bakımından karşılaştırmanın anlamlı olmadığı görüldüğünden her br algortmanın şlem zamanlarına bakılması gerekmekte ve bununla br sonuca varılableceğ düşünülmektedr. ANFIS hem bulanık hem de snr ağlarının brleşmyle oluşan br algortma olduğu çn denenen dğer 2 ver kümesnde olduğu gb şlem zamanında çok fazla süre harcamaktadır. Her br sınıfın özntelğne bağlı kalarak oluşturulan kural tabanlı br sstem olan ANFIS 85.271 sanye le BKSA ya nazaran ç hantal kalmaktadır. Bu durum zaman öncelkl çalışılan sstemlerde br dezavantaj halne geleblmektedr. BKSA se 4 sanye gb kısa br sürede performans bakımından ANFIS metodundan ger kalmayarak hızlı br şeklde örüntü sınıflandırma şlemn sorunsuzca halledeblmştr. Bu da bu sstemn kullanımının ne kadar doğru br yaklaşım olduğunu açıkça göstermektedr. Yapılan çalışmalar netcesnde Basamak Korelasyon Snr Ağı her açıdan karşılaştırılan metodlara göre daha y sonuçlar vermektedr. Burada öneml olan bu algortmalar üzernden başka araştırmacılar çalışma yapacağı zaman öneml br hususu dkkate almalıdırlar. Buda şudur k; elde edlen ver kümes sayısal anlamda ne kadar fazla olursa hem eğtm çn hem de test performansları br o kadar y sonuçlar vermektedr. Tohum ver kümesnde 207 adet ver le çalıştırılan algortma %90 nın altında br performans yüzdes göstermştr. Fakat hem özntelk hem de eğtm ve test ver sayısı fazla olan ver kümelernde performans yüzdeler %100 lük br başarı sağlamıştır. Eğer az sayıda ver kümes le çalışmak zorunda kalınırsa veya ver toplama le lgl bazı sıkıntılar meydana gelrse, çapraz doğrulama (crossvaldaton) yöntem le eldek verler çoğaltılablr ve performans yüzdeler stenlen sevyeye çıkartılablr. Br başka öneml husus se algortmaların şlem zamanıdır. Eğtm ve Test başarı yüzdeler neredeyse aynı çıkan ver kümelernde karşılaştırma adımının knc aşamasında her br metodun sstem üzernde geçrdğ şlem zamanları dkkate alınmıştır. ANFIS metodunun k öneml yapıyı (Bulanık Mantık Snr Ağı) br arada bulundurması sebebyetyle her ne kadar performans yüzdelernde başarılı br sevye gösterse de Basamak Korelasyon Snr Ağına (BKSA) göre çok hantal ve ağır şlemektedr. İşte bu yüzdendr k; BKSA metodu ANFIS yapısından daha hızlı ve etkn çalışarak ver kümeler üzerndek başarılarını gözler önüne sereblmektedr. Çalışmanın amacına yönelk olan her br farklı ver kümelern hem performans hem de şlem zamanları açısından ncelenp ortaya koyulması bu konu üzernde 129
N. Şengöz, G. Özdemr / Sınıflandırma Problemlernn Karşılaştırılmasında ANFIS ve Basamak Korelasyon Snr Ağının Kullanımı araştırma yapacak olan kşlere ışık tutması açısından büyük önem arz etmektedr. Bu çalışma konusu le BKSA metodunun daha lerk aşamalarda yüz tanıma, zaman sers tahmnlernde, üretm sstem kurma aşamalarında, hat dengeleme problemlernde ve byo teknolojk sstemlern uygulanma ve kurulma aşamalarında br yol çzlebleceğ düşünülmektedr. Kaynakça [1] Fahlman, S.E., Lebere, C., 1991. The Cascade Correlaton Learnng Archtecture; Report CMU CS 90 100; Carnege Mellon Unversty: Pttsburgh, PA, USA, s. 1 13 [2] Augustejn, M.F., Clemens, L.E., 1994, A performance evaluaton of texture measures for mage classfcaton and segmentaton usng cascadecorrelaton archtecture, IEEE Inter. Conf. Neural Networks IEEE World Congress Comput. Intell. 7, s. 4300 4305 [3] McKenna, S.J., 1991 A Comparson of Neural Network Archtectures for Cervcal Cell Classfcaton, IEEE, s. 105 109 [4] Augustejn, M., Skujca, T., 1993, Identfcaton of human faces through texture based feature recognton and neural network technology, In Proceedngs of the IEEE Internatonal Conference on Conf. Neural Networks, s. 392 398 [5] Burke HB, Goodman PH, Rosen DB, vd., 1997, Artfcal neural networks mprove the accuracy of cancer survval predcton., Cancer, s. 857 862 [6] Prampero, P., Carvalho, A., 1999, Classfer Combnaton for Vehcle Slhouettes Recognton, Seventh Internatonal Conference on Image Processng and ts Applcatons, IPA 99, s. 67 71 [7] Jang, J.S.R, Sun, C.T., Mzutan, E., 1997, Neurofuzzy and soft computng, Prentce Hall, Upper Saddle Rver [8] Şenol, C., Yldrm T., 2009, Thyrod and Breast Cancer Dsease Dagnoss usng FuzzyNeural Networks, 6th Internatonal Conference on Electrcal and Electroncs Engneerng (ELECO 2009) [9] Sharma, M., Mukharjee, S., 2013, Bran Tumor Segmentaton Usng Genetc Algorthm and Artfcal Neural Network Fuzzy Inference System (ANFIS), Advances n Computng and Informaton, Sprnger Verlag Berln Hedelberg, s. 329 339 [10] Zasabounch N., Askerzade I., 2014, ANFIS Based Classfcaton Model for Heart Dsease Predcton, Intenatonal Journal of Electrcal and Computer Scences. IJECS Ijens [11] Ankışhan, H. ve Yılmaz, D., 2013, Comparson of SVM and ANFIS for snore related sounds classfcaton by usng the largest Lyapunov exponent and entropy, Computatonal and Mathematcal Methods n Medcne [12] Rumelhart, D. E., Hnton, G. E., Wllams, R. J. 1986, Learnng Internal Representatons by Error Propagaton, Rumelhart, D. E. ve McClelland, J. L.JParallel Dstrbuted Processng: Exploratons n the Mcrostructure of Cognton, MIT Press [13] Schmtz, A., Courouble, F., Hefaz, H., Besnard, E., 2010, Modfed Cascade Correlaton Neural Network and ts Applcatons to Multdscplnary Analyss Desgn and Optmzaton n Shp Desgn, Machne Learnng [14] Augustejn, M.F., Clemens, L.E., 1994, A performance evaluaton of texture measures for mage classfcaton and segmentaton usng cascadecorrelaton archtecture, IEEE Inter. Conf. Neural Networks IEEE World Congress Comput. Intell. 7, s. 4300 4305 [15] McKenna, S.J., 1991 A Comparson of Neural Network Archtectures for Cervcal Cell Classfcaton, IEEE, s. 105 109 130