Geleneksel ve evrimsel yapay sinir ağlarının sınıflandırma için karşılaştırılması

Sınıflandırma, önceden tanımlanmış gruplara, alternatiflerden oluşan sonlu bir dizinin ataması olarak adlandırılır. Sınıflandırmaya uygulanan istatistiksel modeller, kısıt olarak, söz konusu varsayımların sadece geçerliliğini koruduğu sürece iyi şekilde işler. Yapay sinir ağları, evrensel fonksiyon tahminleyiciler olarak, ele alınan model için fonksiyonel ya da dağılımsal olarak belirgin nitelikte bir biçim olmaksızın veriye kendilerini uyarlayabilir. Yapay sinir ağlarının tasarımındaki güçlük nedeniyle, büyük ve karmaşık problem uzaylarında başarı gösteren, sağlam ve olasılığa dayalı arama stratejileri olan evrimsel algoritmalar, yapay sinir ağlarının içine yerleştirilmiştir. Bu tezde, evrimsel yapay sinir ağlarını kullanarak iki veri seti sınıflandırılmıştır. Her veri setinin optimal evrimsel yapay sinir ağını üretmek için, yüksek doğrulukta sınıflandırma yapmak amacıyla; gizli katmandaki nöron sayısı, adım büyüklüğü ve momentumu içeren parametreler optimize edilmiştir. Çapraz doğrulama ile veri kümelerinin öğrenme ve test alt kümelerinin sınıflandırma performanslarını kıyaslamak için, evrimsel algoritmaların yapay sinir ağlarına uygulanmasını içeren araştırma ortaya konmuştur. Performans, geriyayılım ve evrimsel algoritmalar kullanarak seçilen evrimsel yapay sinir ağları ile sınıflandırılmaya ve değerlendirilmeye konu olan her niteliğe karşılık gelen ortalama hata kare, normalleştirilmiş ortalama hata kare, ortalama mutlak hata, korelasyon katsayısı ve doğru sınıflandırma oranı ile kıyaslanmıştır. Literatürde de öne sürüldüğü gibi; optimize edilmiş parametrelere sahip evrimsel sinir ağlarının; sınıflandırma problemlerinde, geriyayılım algoritmasını kullanan aynı mimariye sahip yapay sinir ağlarına kıyasla daha iyi performans değerleri elde etmektedir.