Yapay sinir ağlarının yeni metasezgisel algoritmalar ile eğitimi ve veri madenciliğinde sınıflandırma alanında kullanımı

Abstract

Veri madenciliği günümüzde önemini gitgide artıran bir alandır ve veri madenciliği sayesinde birçok alanda kolaylık ve gelişmeler sağlanmaktadır. Bankacılıktan eğitime, sağlıktan askeriyeye kadar veri madenciliğinin çok yaygın bir kullanım alanı vardır. Sınıflandırma veri madenciliğinin önemli bir parçasıdır. Sınıflandırmada eldeki veriler, belirli kurallara göre belirli sınıflara atanırlar. Sınıflandırma alanında birçok yöntem ve algoritma geliştirilmiştir. Bu yöntemler arasında yapay sinir ağları elde ettikleri yüksek doğruluk değerleri ile en çok kullanılan yöntemlerden birisidir. Yapay sinir ağları insan beyninden esinlenerek insanda bulunan yeni bilgiler öğrenme, yeni çıkarımlar yapma gibi yetenekleri otomatik olarak gerçekleştiren bir yöntemdir ve doğrusal olmayan karmaşık problemleri çözmekte oldukça başarılıdır. Bu yüzden eğitimleri yavaş ve zordur. Yapay sinir ağlarının eğitiminde kullanılan geleneksel algoritmalar matematiksel hesaplamalara dayanmaktadır, yavaştır ve genellikle yerel optimum noktaya takılıp kalmaktadırlar. Bu dezavantajların üstesinden gelen metasezgisel algoritmalar literatürde yaygın olarak kullanılmaktadır. Genetik algoritmalar, yapay arı kolonisi algoritması gibi birçok metasezgisel algoritma yapay sinir ağlarının eğitiminde kullanılmış ve oldukça etkin sonuçlar elde edilmiştir. Bu çalışmada son yıllarda geliştirilen ve sürekli problemler üzerinde oldukça iyi sonuçlar veren iyon hareketi algoritması, sosyal örümcek algoritması ve stokastik fraktal arama algoritmalarının yapay sinir ağlarının eğitimindeki başarı düzeyleri değerlendirilmiştir. Algoritmaların performansı literatür verileri ve bir gerçek hayat verisi üzerinde değerlendirilmiş ve hem geleneksel hem de metasezgisel algoritmalarla karşılaştırılmıştır.

Data mining is an area that gradually increases its importance nowadays and ease and development in many areas is provided through data mining. Data mining has common application area from banking to education, health to military. Classification is an important part of data mining. In classification, the data are assigned to certain classes according to certain rules. Many methods and algorithms are developed in classification. Artificial neural networks are one of the most widely used methods with high accuracy values among these methods. Artificial neural networks inspired by the human brain is a method that automatically perform abilities in humans such as learning new information, making new inferences and is very successful in solving complex nonlinear problems. Therefore, their training is slow and difficult. Traditional algorithms used in training artificial neural networks are based on mathematical computation, slow and often trapped into local optima. Metaheuristic algorithms are widely used in literature that overcomes these disadvantages. Many metaheuristic algorithms like genetic algorithms, artificial bee colony algorithm used in training artificial neural networks and very effective results were obtained. In this study, success level in training neural networks of ions motion algorithm, social spider algorithm and stochastic fractal search algorithm which were developed in recent years and given very effective results on continuous problems are evaluated. The performance of the algorithms are evaluated on benchmark problems and a real life data and compared with both traditional and metaheuristic algorithms.