Yapay sinir ağları üzerinde kural çıkarma işlemi için bağlantıcı melez bir zeki sistem geliştirilmesi

Abstract

Yapay sinir ağları (YSA) bir makine öğrenmesi yöntemi olarak bir çok problemin çözümünde kullanılmaktadır. Öğrenebilme yeteneği sayesinde, eldeki verileri temsil edecek modele geçiş kolaylıkla sağlanabilmektedir. Bu özelliğine karşın en büyük dezavantajı kapalı kutu özelliği taşımasıdır. Bu nedenle doğru sonuçlar vermesine rağmen neden sonuç ilişkilerini doğrudan gösterememesi, yöntemin güvenilirliğini azaltmaktadır. Bu çalışmada eğitilmiş bir yapay sinir ağının kapalı kutu özelliğini ortadan kaldıracak bir eğitimsel, bağlantıcı ve melez bir yaklaşım önerilmektedir. Önerilen yaklaşım YSA'yı kapalı kutu olarak kabul etmekte ve sadece girdi çıktı değerlerini ele almaktadır. Bağlantıcı bir algoritma olan Growing Neural Gas (GNG) kullanılarak, eğitilmiş ağ tarafından temsil edilen kural karar bölgelerinin topolojileri bulunmaktadır. GNG tarafından bulunan, topolojileri ifade eden çizge kullanılarak kural kümesi oluşturulmaktadır. GNG algoritmasının parametrelerinin problem veri kümesine göre eniyileştirilmesi için genetik algoritmalardan faydalanılmakta ve böylece melez bir zeki sistem oluşturulmaktadır. Geliştirilen yöntemin pratikteki başarısının ölçülmesi için çok katmanlı algılayıcı yapay sinir ağı modeli ile Iris, Ecoli ve Wisconsin Diagnostic Breast Cancer veri setleri üzerinde k-kat çapraz geçerleme yaklaşımı kullanılarak performans ölçümleri yapılmıştır. Ölçüm değerleri olarak kural sayısı, kural kümesi doğruluğu ve kural kümesinin aslına uygunluğu kriterleri kullanılmış ve deneysel çalışmalarda başarılı sonuçlar elde edilmiştir.

As a machine learning algorithm artificial neural networks (ANN) are used for solving very wide range of problems. Because of the learning ability of ANN, the model which represents data can be build easily. However, the main disadvantage of ANN is that it has black box property. Even it gives correct results, the reliability of this method has some problems, because of not being able to explain the reasoning process. In this work a pedagogical, connectionist and hybrid approach for removing the black box property is presented. This approach takes ANN as a black box and evaluates only input and output relations of ANN. A connectionist method, Growing Neural Gas (GNG) is used to find the topologies of the decision regions which are represented by the trained network. The graph which is constructed by GNG and represents these topologies, is used to extract rules. Genetic algorithms is used in order to optimize GNG parameters for the target problem data set and as a result the method becomes a hybrid intelligent system.In order to measure the performance of the presented method; it is applied to Iris, Ecoli and Wisconsin Diagnostic Breast Cancer data sets with MLP model and by using k-fold cross-validation technique. Rule set size, accuracy and fidelity are measured in the experiments and successful results are obtained.