Lojistik regresyon ve çarpımsal nöron modele dayalı yeni bir sınıflandırıcı

Abstract

Bu tez çalışmasında istatistiksel sınıflandırma problemlerinin çözümü için kullanılan ve istatistiksel bir teknik olan lojistik regresyon ile istatistiksel yöntemlere alternatif olarak geliştirilen yapay sinir ağı modellerinden biri olan çarpımsal nöron modelin birleştirilmesi ile yeni bir sınıflandırıcı modeli önerilmiştir. Önerilen yeni yapay sinir ağı sınıflandırıcısında, ağ eğitimi için evrimsel algoritmalardan bir tanesi olan Parçacık Sürü Optimizasyon algoritması yeniden uyarlanarak kullanılmıştır. Uyarlanmış Parçacık Sürü Optimizasyon algoritmasının performansının standart Parçacık Sürü Optimizasyon algoritmasından daha iyi performans gösterip göstermediği matematikte sıklıkla kullanılan karşılaştırma fonksiyonları yardımıyla test edilmiştir. Önerilen yeni yapay sinir ağı sınıflandırıcısının kestirim performansı, model seçim ölçütlerinden biri olan Çapraz Geçerlilik yönteminin gerçek hayat problemlerine uygulanması ile araştırılmıştır. Elde edilen sonuçlar literatürde sınıflandırma problemlerinin çözümü için sıklıkla kullanılan yapay sinir ağı modellerinden Çok Katmanlı Algılayıcı, Pi-Sigma Nöron Model ve Çarpımsal Nöron Model ile karşılaştırılmıştır. Elde edilen bulgular önerilen yeni yapay sinir ağı sınıflandırıcısının sınıflandırma problemlerinin çözümünde daha iyi kestirim performansı verdiğini göstermektedir.

In this thesis a new hybrid classifier is proposed combining a statistical technique which is most commonly used for handling classification problems and multiplicative neuron model which is a type of Artificial Neural Network. For training the proposed neural network classifier, Particle Swarm Optimization is reorganized and applied. For testing performance of the adjusted Particle Swarm Optimization, benchmark functions which is commonly used for mathematical fields are used. For investigation of prediction performance of the proposed classifier, Cross Validation which is a criterion of the model selection is applied for real world datasets. Obtained results are compared with results of Multilayer Perceptron, Pi-Sigma Neural Network and Single Multiplicative Neuron Model which are used in classification problems in the literature. According to these results, the proposed neural network classifier has better prediction performance.