Daha eksiksiz ama aynı zamanda daha karmaşık bir Regresyon yaklaşımını ele alacağız. Azınlık sınıflandırması ve iş sınıflandırmasını temsil eden bir değişkenler koleksiyonu eklendi. Bireysel değişkenlerin çoğu önemlidir. Bu yeni değişkenlerle etkileşimler düşünülebilir, ancak gerileme zaten oldukça karmaşık hale geliyor.

Azınlık statüsü önemli değildir, ancak bir modelde (gösterilmemiştir) tek başına olması halinde ana etki olarak önemli olduğu gösterilebilir. Bazen meslek değişkenlerinden bazılarını tutmak ve diğerlerini kaldırmak için bir cazibe vardır. Tek bir kategorik değişkeni temsil ettikleri ve basitçe dönüştürülmüş oldukları için bu genellikle tavsiye edilmez.

Ayrıca nöral ağ herhangi bir dönüşüm gerektirmediği için, işgal değişkenini olduğu gibi kabul ettiği için bize bu seçeneği bile sunmaz. Bu vaka çalışmasının bir regresyon olarak bölüm uzunluğunda ele alınması, bu modele yönelik çeşitli iyileştirmeleri keşfetme fırsatı sağlayacaktır, ancak burada daha kısa biçimiyle, amaçlarımız için yeterince değerli bir girişimdir. Henüz optimal değil, sadece sinir ağına bir saman adam meydan okumasından daha fazlasıdır.

Sinir ağına aynı girdileri kullanma fırsatı verelim. Yine, gösterilen ağ şeması görsel olarak çok ikna edicidir, ancak fazla bir şey ortaya koymaz. Yalnızca edlevel’in ortak değişken olarak ele alındığını gösteriyor. Tüm faktör değişkenlerinin her kategori için bir girişi vardır.

Şimdi beş versiyonu da karşılaştırabilecek durumdayız. Gösterildiği gibi, en son regresyon Mutlak Yüzde Hatası sonucu APE3 olarak adlandırılır ve en son ANN sonuçları ANN_APE2 olarak adlandırılır.

Gerileme, önceki herhangi bir gerilemeden çok daha iyidir. Sinir ağı da daha iyidir. Doğruluk açısından, sinir ağı sadece yarım puan daha iyidir. İkisi de stabil. Belki de regresyon üzerine daha fazla çalışma ile bu fark daha da kapatılabilir. Peki ne sonuca varabiliriz? Sinir ağı sihir değildir, ancak onunla rekabet edebilmek için gerilemenin insan analistten önemli ölçüde yardım alması gerekiyordu.

Yalnızca ana efekt modeli olan APE, ANN_APE için fazla rekabet sunmuyordu. Yalnızca etkileşim terimleri eklenmiş regresyon modelleri, sinir ağıyla karşılaştırılabilir sonuçlar üretti. Öğrenilen bir ders, yeterli ısrarla, yetenekli bir analistin oldukça iyi bir regresyon modeli oluşturabilmesi gerektiğidir, ancak girdi değişkenlerinin sayısı yüzlerceye ulaştığında, burada regresyonu iyileştirmek için kullanılan teknikler gerçekçi olmaz. Sinir ağlarının “kara kutu” doğası bazen onları kusurlu bir seçim haline getirse de, yaklaşımın kesinlikle yararları vardır.

Yapay Sinir Ağları sınıflandırma
Yapay sinir Ağları
Biyolojik sinir ağı
Yapay sinir Ağları ile tahmin
Yapay sinir ağları tez
Yapay sinir ağları öğrenme algoritmaları
Tek katmanlı yapay sinir Ağları
Yapay Sinir Ağları Ders Notları

Titanik Veri Kümesi ile Gösterilen Sinir Ağları ile Sınıflandırma

Bu örnekte kısaca sınıflandırma için bir sinir ağı kuracağız, böylece sonraki iki bölümde diğer sınıflandırmaların girişimleriyle karşılaştırabiliriz. Bunu yapmak için tekrar bir bölüm değişkeni oluşturacağız. Değişken Titanic_Results.sav veri kümesinde zaten yaratılmıştır.

Bağımlı değişken Hayatta Kaldı ve dört öngörücü olacak. Pclass (yolcu sınıfı) ve Cinsiyet Faktörlerdir ve Yaş ve Parch (gemideki ebeveyn ve çocuk sayısını ifade eder) ortak değişkenlerdir. Teoride, sinir ağı tüm veri setini idare edebilir, ancak sinir ağları aşırı karmaşık olma eğilimindedir ve bu bölümde uygun bir özellik seçimi işi yapma fırsatımız olmayacaktır.

Her zaman tüm değişkenleri kullanacağından, Bağımlı ile çok zayıf bir ilişkisi olan sinir ağı değişkenleri verirken biraz dikkatli olunmalıdır. Zayıf tahmin edicilere büyük ağırlıklar verilmeyecek, ancak yine de modeli daha karmaşık hale getirecekler. Bu durumda basitleştirmek için, seçilen değişkenler Survived’ı tahmin etme yeteneğine sahip olduğu bilinen değişkenlerdir. Çıkış değişkeni ikili olduğundan, gösterildiği gibi çıkış katmanında iki düğüm olduğuna dikkat edin.

15. Bölümdeki sonuçlar hakkında söylenecek çok daha fazla şeyimiz var. Doğruluk iyi, ancak mükemmel değil. Doğruluk Test bölümünde düşse de, doğruluğun düştüğü miktar kabul edilebilir sınırlar içinde, ancak çok az. %82,0’dan %77’ye düştü. Genel bir kural, %5’ten büyük bir düşüşün istikrarsız olduğunu göstermesidir. Hayatta kalmayanlarla (%83.2) hayatta kalanlardan (%70.1) daha iyi bir katılım sağlıyor.

Bu bizi verileri dengelemeye yöneltebilir (önceki bölümde tartışıldığı gibi), ancak SPSS İstatistiklerinde dengeleme biraz zaman alıcı ve biraz da zorlayıcı olacaktır. (Ancak, bunun gibi zor görünen adımlar, iyi bir uzatma komutuyla çok daha kolay olabilir.) Bu sonuç, “yarışmada” sinir ağını temsil edecek kadar kabul edilebilir. Sinir ağı kazanacak olsaydı, modeli tekrar gözden geçirmek ve hem kararlılığı hem de doğruluğu biraz iyileştirip iyileştiremeyeceğimizi görmek isteyebilirdik. Yine de, bir kez daha deneyeceğiz.

Şimdi daha fazla değişken ekleyeceğiz, ancak ek değişkenler ağ şemasını daha karmaşık hale getirecek (gösterilmemiştir). SibSp, yolcu, kardeşler ve eş ile seyahat eden aile üyelerinin sayısıdır.

Ayrıca Kaydet sekmesi altında bazı seçenekler talep edeceğiz. Bu, bu ikinci sinir ağını diğer modellerle karşılaştırmamızı sağlayacaktır. Son olarak, ikinci sinir ağının doğruluğuna ve kararlılığına bir göz atacağız. Test örneğinde biraz daha az doğrudur, ancak daha kararlıdır. İki doğruluk çok daha yakın. Sıklıkla kullanılan bir kural, doğrulukta beş puandan fazla bir düşüşün endişe nedeni olmasıdır. İlk model kararsız görünüyor. Hızlı bir bakışa göre, ikinci model daha güçlü bir model gibi görünüyor.

Gerçek bir durumda, bu iki model daha yakından karşılaştırılacak ve muhtemelen ikiden fazla model dikkate alınacaktır. Dikkatlice bakmadığımız bir şeye sadece bir örnek, iki modelin 1’leri ve 0’ları bulma konusundaki göreceli yeteneğidir.

Gerçek dünya durumlarının çoğunda, düşük riskli olanlardan çok, yüksek risk altındakileri bulmaya önem veririz. Bu modeller 0’ları bulmada 1’lerden daha iyidir. Bu genellikle bir düşüncedir. Bununla birlikte, bu konuyu tekrar gözden geçirmeden önce tartışacak iki algoritmamız daha var, bu yüzden sinir ağını temsil edecek ikinci modeli seçerek bu bölümü sonlandıracağız.

The post Sinir Ağları ile Sınıflandırma – SPSS Ödevi Yaptırma – SPSS Analizi Yaptırma Fiyatları – SPSS Örnekleri – Ücretli SPSS Analizi Yaptırma – SPSS Analizi Yaptırma Ücretleri first appeared on Akademi Delisi (Tez Yaptırma).