Yapay sinir ağı faktör analizi hibrit modeli ile yapay sinir ağı modellerinin sınıflama başarılarının karşılaştırılması

Amaç: Tahmini parametrelerle oluşturulmuş Klasik Yapay Sinir Ağ (Klasik YSA) modeline kıyasla Faktör Analizinin değişkenlerdeki birlikteliği nedenselliğe göre tanımlama yeteneğinden yararlanarak, analizin saptadığı veri topolojisine benzer bir Klasik Yapay Sinir Ağ (Klasik YSA) mimarisini çok kısa bir zamanda oluşturabilen bir Hibrit Yapay Sinir Ağ (Hibrit YSA) modeli geliştirerek, Klasik Yapay Sinir Ağ (Klasik YSA) modeline kıyasla veriyi daha başarılı ve çok daha kısa sürede sınıflayabilme amaçlanmıştır. Yöntem: Jupyter Notebook çalışma platformunda Klasik YSA sınıflayıcı yöntemin Python kodları düzenlenmiştir. Hibrit YSA modelinin algoritmasında birinci adımda veriye Faktör Analizi uygulanmakta ve ikinci adımda Yapay Sinir Ağı modelinin mimarisini verinin 0,70 varyansını açıklayan faktör sayısı kadar katmanın ve değişken sayısı kadar nöronun olduğu, bir faktörlü veri durumunda 0,20'den küçük faktör yükü olan değişkeni veriden çıkarıp, kalan değişken sayısı kadar nöron ve bir katmanın olduğu şekilde tasarlayabilecek kodlar yazılmıştır ve üçüncü adımda belirlenen mimariye sahip Hibrit YSA veriyi sınıflara atamaktadır. Bulgular: Normal dağılıma sahip, sürekli sayısal değerden oluşan (x∼N(μ,σ^2), n=5.000), sırası ile beş, dört, üç, iki ve bir faktörlü ve 20, 16, 12, 8 ve 10 değişkenli veri setleri oluşturulmuştur. En başarılı Klasik YSA ve Hibrit YSA modellerinin doğruluk skorları 0,90'nın üstünde başarı kaydetmiştir. Klasik YSA mimarisinin oluşması ve eğitimi 240 dakika sürerken Hibrit YSA 0,2 saniyede kendi mimarisini oluşturmakta ve eğitimi tamamlamaktadır. Sonuç: Hibrit YSA algoritması başarılı bir YSA model belirleyicisi alternatifidir. Anahtar Kelimeler: Faktör Analizi, Hibrit Yapay Sinir Ağları, Veri Üretme, Python