Yapay Zeka ile Kalp Krizi Teşhisi Part 2 - Matlab

Merhaba Arkadaşlar,

Bu yazımda kaldığım yerden devam edeceğim.

4 adet veri setini Matlab ortamına aktardıktan sonra sıra Matlab'de yapay zeka toollarını kullanmaya geliyor. Matlab'de Common window'a "nnstart" yazıyoruz. Komuttan sonraki açılış ekranı aşağıda gösterilmiştir.

Açılan pencere'de "Fitting App" seçilir. "next" tuşuna basılır. Açılan ekranda input ve output verileri ağa girilir. Inputs sekmesinde Input'u, Target sekmesinde ise Output'u seçmek gerekmektedir. Ayrıca dikkat edilmesi gereken önemli detaylardan birisi de girdilerinizin kolon şeklinde mi yoksa satır şeklinde mi olduğudur. Burayı yanlış girseniz de zaten ağ ileri aşamalarda bu konuda sizi uyaracaktır. Sağ taraftaki bölmede girdilerinize ait verilerin matris formunu görebilirsiniz. 278*20 vs gibi.

Bu seçimler de yapıldıktan sonra "next" tuşuna basılır. Açılan sekmede test ve doğrulama yüzdelerinin girilmesi istenir. Bu değerleri mümkün olduğunca doğru seçmelisiniz. Aksi durumda ağa yanlış bir veri girmişse ve yüzdelerin çoğunluğu o veri paketinde olursa doğruluk yüzdeniz çok düşük olur. Ben %10 olarak ikisinide belirledim.

Değerler girildikten sonra "next" tuşuna basılır. Sonraki sayfada toolbox bize nöron sayımızı otomatik olarak vermektedir. Aşağıdaki şekildeki gibi verilerinizin ağ gösterimini görebilirsiniz.

Yukarıda görüldüğü gibi ağımızda 278 tane girdi, 1 tane çıktı ve 10 tane gizli katman vardır. Bir sonraki adımda karşımıza çıkan sekmede "Train" seçeneğine tıklıyoruz ve ağımız eğitiliyor. Eğitilme aşaması aşağıdaki şekilde gösterilmiştir.

Eğitimden sonra karşımıza çıkan son ekranda "Advanced Script" diyoruz ve ağın Matlab yazılımını elde ediyoruz. Bu işlemden sonra "nnstart" toolbox'ı ile işlem adımlarımız bitiyor. Ardından Matlab'de "Command window" sekmesine "nntool" yazıyoruz. Aşağıda "nntool" arayüzü gösterilmiştir.

Bu arayüzde "Import" butonuna tıklayarak ayrı ayrı input, test input, output ve test output verilerimizi giriyoruz. Verileri girdikten sonra aşağıdaki gibi arayüz ekranında görülmektedir.

Daha sonra "new" butonuna tıklayarak ağın özelliklerinin girilmesi gerekiyor. Aşağıda ağın ilk özellik detayları gösterilmiştir.

İlk olarak ağın adını giriyorsunuz. Daha sonra ağın tipini belirlemeniz gerekiyor. Ben ağ tiplerinden neredeyse hepsini kullanıp onlarla çalıştım. Fakat en fazla doğruluk oranına "Feed-forward backprop" ile ulaştım. Sonra input data'yı input olarak, target data'yı output olarak seçiyoruz. Ben projede eğitim fonksiyonunu "TRAINLM" seçtim. Çünkü ağın eğitiminde en başarılı fonksiyon çeşidi budur. Sonrasında layer 2'yi seçerek gizli katmandaki nöronları sistemin belirlemesini sağlıyoruz. Create tuşuna tıklıyoruz ve bir sonraki adıma geçiyoruz.

Bu part için yazımı burada sonlandırıyorum. Son bölümde sonuçlarıyla birlikte gözlemleyeceğiz. Bu verileri elde etmek epeyce uraştım. Bütün ağ tiplerini bütün fonksiyonları denedim. Ağitim ve doğrulama verileri ile çok fazla oynadım. En fazla doğruluk oranına bu şekilde ulaştığım için sizlere direkt bunları gösteriyorum. Faydalı olabilirse ne mutlu bize.

Bir sonraki yazımda görüşmek dileği ile. İyi çalışmalar dilerim.