Handling categorical data in artificial neural networks

Makine öğrenmesinin teknikleri yaşadığımız gerçek hayatta geniş konulardan biri olmuştur. Verilerin toplandığı ortamlarla etkileşime girecek veri kümelerin yaygın olarak kullanılan makine öğrenme tekniklerinden biri olan ve diğer ML tekniklerine kıyasla üstün performans gösteren Yapay Sinir Ağları sayılabilir. Diğer metoda benzer, ANN'in verilen setindeki örnekler kullanılarak eğitildi ve böylece YSA'dan istenen görevin yerine getirilmesi sağlanır. Gerçek hayatta birkaç şekilden oluşuyor, değerler, ağırlıklı olarak sayılan ve ANN'nda kaliteli sayılan ölçü ya da sayım almak için kolay bir şeydi ve bu ağların girdileri sayısal olduğundan biri olur. Bununla beraber, sayılan ölçü ya da sayım kıyyem isimleri yoktur. Bu tür değerleri, sayısal formatta kodlamak için önemli bilgi kaybına nedeni olabilir. Bu yüzden, uygun sayısal değerlerin seçimi, sinir ağlarının performansını için önemli ölçüde iyileştirebilir ve bunun tersi de geçerli olabilir. Bu araştırmada, YSA'ların veri setindeki nitel değerler için uygun değerlerin üretmelerine olanak tanıyan yeni bir metot önerilmiştir. ANN'ın nöronları birbirine bağlayan ağırlıkları güncellemek için geri yayılım kullandığından önerilen yöntem bir sıcak kodlama (OHE) kullanarak, her nitel özeliği için bir vektör üretir. Eğitim sırasında, YSA, tahmini ile YSA'dan istenen gerçek değerler arasındaki yanlışlar azaltmak için nominal değerlerinin her birine karşılık gelen ağırlığı güncellerdir. Her vektör, bir sonraki katmandaki tek bir nörona bağlanır, böylece OHE kullandığı zaman, o nöronda görünen değer, değerin vektörde birine ayarlandığı konuma karşılık gelen ağırlığa eşittir. YSA'nın performansını önerilen kodlama yöntemini kullananının değerlendirmesi için, ağların performansını eğitmek ve değerlendirmek için farklı gerçek hayattaki veri kümeleri kullanılır. Her veri kümesi başına, tahminlerin doğruluğu ve eğitim dönemlerine karşı kaybı, etiket kodlu girişleri olan standart YSA'lar ve önerilen kodlama yöntemini kullananları için izlenmektedir. Değerlendirme, önerilen yöntemin ANN'in performansını daha yüksek öğrenme oranlarıyla, yani doğruluk, kayıpta ki düşüşün daha hızlı artması ve eğitim tamamlandığında daha iyi tahminlerle gösterildiği gibi önemli ölçüde iyileştirdiğini göstermektedir. Bundan dolayı, önerilen kodlama yöntemi aynı YSA'nın performansını artırabilir veya daha az karmaşık ağlar kullanarak benzer performans üretebilmektedir. Anahtar Kelimeler: Yapay Sinir Ağı; Etiket Kodlaması; Bir Sıcak Kodlama; Geri Yayılım.