Gizli Katman Nedir? – SPSS Ödevi Yaptırma – SPSS Analizi Yaptırma Fiyatları – SPSS Örnekleri – Ücretli SPSS Analizi Yaptırma – SPSS Analizi Yaptırma Ücretleri
Doğrusal Regresyon
İlk olarak, XOR.sav veri setini alıyoruz (bu kitabın web sayfasından erişilebilir). (Veri kümesinin nasıl oluşturulduğunu görmek için “XOR Veri Kümesini Oluşturma” kenar çubuğuna bakın.) Doğrusal regresyon, iki çıktı kategorisini ayıran bir satırı tanımlamaya çalışmaz. Girdiler ve çıktı arasındaki ilişkiyi tahmin etmede hatayı en aza indirmeye çalıştığını biliyoruz. Bununla birlikte, Girdi 1, Girdi 2 ve Çıktı’nın dağılım grafiği sorunu çok net bir şekilde ortaya koymaktadır.
Regresyon mücadele ediyor ve bir futbol benzetmesi kullanmak için kumar oynuyor. Çıktının ne zaman 1 olacağını ve Çıktının ne zaman 0 olacağını tahmin etme hedefimizi gerçekleştiren bir regresyon çizgisi üretemez. Katsayılardaki küçük değişiklik, dört grubun da örnek boyutunda tam olarak eşit olmaması gerçeğinden kaynaklanan gürültüdür. Gösterildiği gibi düz bir regresyon çizgisi, açıklanan bir varyansın olmadığı anlamına gelir.
Kuşkusuz, garip görünebilecek bir ikili bağımlı tahmin etmek için regresyon kullanıyoruz, ancak bir sonraki şekil ikinci satırı gösterecek. Burada SPSS’nin dağılım grafiklerinin “Fit Line at Subgroups” özelliğini kullandık. İki regresyon çizgisi uygundur ve mükemmel bir şekilde otururlar. R2, açıklanan varyansın %100’ünü gösterir. Bir regresyon çizgisi sol üstte (Giriş1 = 0, Giriş 2 = 1) ve sağ altta (Giriş1 = 1 ve Giriş2 = 1) kesişir. İkinci regresyon çizgisi zıt köşelerle kesişir.
Tek bir regresyon ilişkisinin yetersiz olduğunu nasıl bileceğiz? Veri madenciliği yaparken, ilişkiler hakkında önsel bir anlayışımız olmayacağı için yapmayacağız. Bu açıkça bir sorundur. Regresyon kısmi bir çözüm sunar, ancak birden fazla regresyon formülü kullanmayacaktır. Açıkça etkileşim terimleri oluşturmamız ve bu terimlere daha fazla katsayı sığdırmamız gerekiyor. Bunu daha sonra ANN_Bank_Results.sav veri setini (web sitesinde mevcuttur) kullanarak göstereceğiz.
Aynı banka verileri, bir etkileşim terimine ihtiyaç duyulmasının bir örneğini sağlar. Bankadaki erkekler için regresyon çizgisi, eğitim arttıkça başlangıç maaşının arttığını gösteren iki çizgiden daha diktir. Bu, dişiler için de geçerlidir, ancak çizginin eğimi çok daha mütevazıdır. Paralel doğrular değiller. Ücret için cinsiyet farkı tek tip değildir. Kadın ve erkekte değişim hızı farklıdır. Başlangıç maaşını tahmin etmede cinsiyet ve eğitim arasında bir etkileşim vardır.
Etkileşim terimleri ekleme olasılığının yalnızca kısmi bir çözüm olmasının nedeni, genellikle bu etkileşimlerin ne olduğunu a priori bilmeyecek olmamızdır. Asıl sorun bu. İlişkilerin ne olduğunu önceden bilseydik, veri madenciliği durumunda olmazdık.
Tahmin edicilerin sayısı arttıkça bu ilişkileri keşfetme yeteneğimiz de azalır. (Öncelikle belirli ilişkiler hakkında bilgisiz olduğumuz gözlemi, yazar ve düşünce lideri Tom Khabaza tarafından Veri Madenciliğinin Dokuz Yasası’nda Veri Madencisine Bedava Öğle Yemeği Yok olarak adlandırılmıştır) Şimdi, sinir ağının bu sorunla başa çıkma yeteneğini kısaca ele alalım.
Yapay sinir Ağları
Yapay Sinir Ağları Ders Notları
Sinir ağları Nedir
Yapay sinir Ağları nasıl çalışır
Yapay sinir Ağları uygulamaları
Yapay Sinir Ağları sınıflandırma
Yapay Sinir ağları katmanları
Yapay Sinir Ağları örnek kod
Gizli Katman Nedir ve Neden Gereklidir?
Regresyonun tek bir düz çizgi ile başarısız olması gibi, sinir ağı da girdilerin çıktıyla en az iki şekilde ilişkilendirilmesine izin verecek bir yola ihtiyaç duyacaktır. Bu sorunun çözümü çok katmanlı algılayıcıydı. Ağırlıkları girdilerden çıktının aktivasyon fonksiyonuna doğrudan yerleştirmek yerine, girdiler önce bir aktivasyon “gizli katmanına” beslenir.
Bu bölümde gizli katmana odaklanacağız ve bir sonraki Hata Geri Yayılımı bölümünde ağırlıkların nasıl hesaplandığını açıklayacağız. Her girdinin gizli katmandaki her bir “düğüme” atanmış bir ağırlığı vardır. Gizli katmanın görevi, daha karmaşık bir ilişkinin ortaya çıkmasına izin vermektir.
Gizli katman, kendi ağırlıkları aracılığıyla çıktının aktivasyon fonksiyonuna beslenir. Böylece, her iki girdi de her iki gizli katmanın aktivasyon fonksiyonunda kullanılır. Gizli katmandaki iki düğüm hakkında düşünmenin bir yolu, her birinin birlikte çalışan iki algılayıcının çıktı katmanında birleştirilmiş bir algılayıcı olmasıdır. Gizli katmandaki iki düğüm, iki çizgiden hiç de farklı olmayan, ancak isteğe bağlı olan iki farklı desene izin verir. Gerçek dünya sorununa uygulanan bir sinir ağında, bu keyfilik, yorumu neredeyse imkansız hale getirir.
XOR Değişkenleri ile Sinir Ağı Sonuçları
Yıllardır, sinir ağı ağırlıklarına karşı inatçı bir hayranlığım vardı. Bana “çok ilginç değiller” denildikçe daha çok ilgimi çekti. Sinir ağının sorunu nasıl çözdüğünü göstermenin yanı sıra, regresyon ve algılayıcının çözemediği aynı sorunu araştırıyoruz, ağırlıkların ne olduğunu çözmek istiyorum. Dikkatinizi sinir ağı modellerinizin daha önemli yönlerine odaklayarak, muhtemelen gelecekte onları görmezden gelmekten oldukça memnun olacağınızı umarak, onları biraz ayrıntılı olarak inceleyeceğiz.
SPSS İstatistikleri çıktı penceresinden gösterilen sonuç, XOR veri kümesinde çalıştırılan varsayılan bir sinir ağını yansıtır. Topoloji adı verilen mimariyle ilgili hiçbir talimat verilmedi. Başka bir deyişle, SPSS, gizli katmandaki iki düğümün bu verilere uyması için yeterli olduğunu kendi başına anladı ve ortaya çıktığı gibi, verilere mükemmel bir şekilde uyuyor. Regresyon örneğine uygun olarak, hedef bir ölçek değişkeni olarak bildirildi. Bunu bir ikili sınıflandırma problemi olarak tanımlamak da mümkündür ve aslında bu yaklaşımı da deneyeceğiz. Bu çözüm, iki satırlı regresyon çözümüne benzer. Parametre tahminlerini not edin.
Ağırlıklar ve önyargılar (işlevsel olarak bir Y kesmesine benzer) esasen keyfidir. Hangisinin negatif, hangisinin pozitif olduğu konusunda kafa yormaya çalışabilirsiniz, ancak kesin değerler de esasen keyfidir. Ayrıca, gizli katmandaki hangi düğüm, ilişkilerin hangi yönünün keyfi olduğu işine sahiptir.
Gizli katmanda düzinelerce girdi ve birkaç düğüm olsaydı, kalıbı anlamaya çalışmak zor olurdu ve sonuçta çok az fikir verirdi. Kontrast göstermek dışında, işaretler bile keyfi. Bununla birlikte, kontrast tüm sorunun anahtarıdır. Bazı hesaplamaların yanı sıra ağırlıklar, bunları incelemeyi kolaylaştırmak için gösterilmiştir.
Bunu daha önce uydurduğumuz iki regresyon çizgisiyle karşılaştırırsanız, belli belirsiz bir benzerlik görmeye başlayabilirsiniz. Bir şekilde, birinin “pozitif eğimli” ve diğerinin “negatif eğimli” olan “çizgileri” çoğaltmamız gerekiyor. Sinir ağı, aynı anlamda çizgiler ve eğimlerle ilgilenmez, ancak benzerlik, pozitif ağırlıklar ve negatif ağırlıklar arasındaki etkileşimde hala görülebilir.
Ağırlıkların bazılarının boyut olarak çok benzer olduğuna ve görünüşte birbirini yok ettiğine dikkat edin. Esasen, gizli katmanda girdiler için pozitif ağırlıklara sahip bir düğüm ve girdiler için negatif ağırlıklara sahip bir düğüm vardır. Aşağıdaki Tahmini Çıktı değerleri için, ayarlanmış normalleştirilmiş değerlerin -1 ile 1 arasında olduğuna dikkat edin. Bu, çıktı katmanı hiperbolik tanjant aktivasyon fonksiyonunu kullanıyorsa, bu durumda seçilen aktivasyon fonksiyonu olan ölçeğe bağlı değişkenler için gerekli yeniden ölçeklendirme yöntemidir.
Sinir ağları Nedir Yapay sinir Ağları Yapay Sinir Ağları Ders Notları Yapay Sinir ağları katmanları Yapay sinir Ağları nasıl çalışır Yapay Sinir Ağları örnek kod Yapay Sinir Ağları sınıflandırma Yapay sinir Ağları uygulamaları