Yapay Zeka Hızlı Bakış & Çıkarımlar
AI InsightYSA ve ANFIS yöntemlerinin sınıflandırma sonuçları karşılaştırılmış ve YSA yönteminin ANFIS yöntemine göre daha yakın tahminler ürettiği bulunmuştur.
📌 3 Maddede Bu Makale
Özet
Örüntü kullanılarak sınıflandırma yapmak, sanayi ve tıp alanında yaygın olarak kullanılmaktadır. Fakat gözlemsel sınıflandırma yapılırken kişisel hatalar meydana gelmektedir. Bu sınıflandırma hatalarını azaltmak için yapay öğrenme yöntemleri kullanılmaktadır. Bu çalışmada, yapay sinir ağı (YSA) ve bulanık yapay sinir ağı (ANFIS) kullanılarak iris çiçeği türünün sınıflandırılması amaçlanmaktadır. Bu tür çalışmalarda yaygın olarak kullanılan iris çiçeğine ait örnek verilerden yararlanılmıştır. Üç katmanlı, ileri beslemeli, dört girişli ve bir çıkışlı YSA modeli seçilmiştir. YSA modelinin eğitiminde 90 adet veri ve testinde de 60 adet veri kullanılmıştır. Her girişinde iki adet bulanık küme bulunan, dört girişli ve bir çıkışlı, ANFIS modeli üretilmiştir. Bu modelde de aynı sayılarda örnekler kullanılarak eğitim ve test yapılmıştır. Çalışma neticesinde uygulanan her iki yöntem için, tahmin değerleri ile gerçek değerler arasında düşük hata oranları elde edilmiştir. YSA ve ANFIS yöntemlerinin sınıflandırma sonuçları karşılaştırılmış ve YSA yönteminin ANFIS yöntemine göre daha yakın tahminler ürettiği bulunmuştur.
Abstract
Pattern classification is also widely used in industry and medicine. While the classical observational classification is made, the errors in classification due to personal mistakes occur. Artificial learning methods are usually used to reduce these classification errors. In this study, it is aimed to classify iris flower species by using the artificial neural network (ANN) and fuzzy artificial neural network (ANFIS). In this study, it was preferred to use the sample data of iris flower widely used. The selected ANN model has three layers, feedforward, four inputs and one output. In the ANN model training was used the 90 sample data and in the testing process were used 60 sample data. The selected ANFIS model has two fuzzy sets for each input neuron, four inputs, and one output. In this model, training and testing were carried out using similar samples. For both models, the actual values and predicted values were compared. It was obtained low error rates. The classification results of ANN and ANFIS methods were compared and it was found that ANN method produces closer estimations than ANFIS method.