IRIS (Süsen Çiçeği) Veritabanı Kullanılarak Yapay Sinir Ağı Eğitimi

Bu yazıda süsen çiçieği (Iris) türlerinden (Setosa, Versicolor, Verginica) oluşturulan veri tabanı  kullanılarak yapay sinir ağı eğitimi gerçekleştirilmiştir. Eğitim esnasında her bir türden 30 adet örnek kullanılmış ve eğitimde kullanılan örnekler ile birlikte toplam 50’şer örnekler ile test edilmiştir. Eğitim sonucunda elde edilen hata değeri aşağıda gösterilmiştir. Eğitim geriye yayılım algoritması ile gerçeklenmiştir.

Setosa, Versicolor, Verginica türlerine ait veriler için tıklayınız….

Eğitime ait MATLAB kodları aşağıda verilmiştir.

Source code

1. clc, clear all, close all;
2.  
3. load IRIS_Setosa.mat;
4. load IRIS_Versicolor.mat;
5. load IRIS_Verginica.mat;
6.  
7. g_In = 4;
8. g_X = 30;
9.  
10. X = [IRIS_Setosa(1 : g_In, 1)...
11.      IRIS_Versicolor(1 : g_In, 1)...
12.      IRIS_Verginica(1 : g_In, 1)];
13. Y = [IRIS_Setosa(5, 1)...
14.      IRIS_Versicolor(5, 1)...
15.      IRIS_Verginica(5, 1)];
16.  
17. for n_i = 2 : g_X
18.     X = [X IRIS_Setosa(1 : g_In, n_i)...
19.      IRIS_Versicolor(1 : g_In, n_i)...
20.      IRIS_Verginica(1 : g_In, n_i)];
21.     Y = [Y IRIS_Setosa(5, n_i)...
22.          IRIS_Versicolor(5, n_i)...
23.          IRIS_Verginica(5, n_i)];
24.  
25. end
26.  
27. %% Agırlıklar oluşturuldu
28. g_Layer_Cell = 10;
29. [n_X n_Samples] = size(X);
30. [n_Y n_Samples] = size(Y);
31. [w_1 b_1 w_2 b_2] = WEIGTH_CREATE(X, Y, g_Layer_Cell, n_X, n_Y);
32.  
33. g_L = 0.1;
34. g_ITER = 100000;
35. E_n = zeros(1, g_ITER);
36. for n_i = 1 : g_ITER      
37.     for n_j = 1 : n_Samples
38.         [ol_out hl_out] = MLP(X(:, n_j), w_1, b_1, w_2, b_2);
39.         [error E_n(n_i)] = FITNESS_VALUE(E_n(n_i), Y(:, n_j), ol_out);
40.         [d_w_1 d_b_1 d_w_2 d_b_2] = BACK_PROPAGATION(X(:, n_j), w_2, hl_out, error);
41.         [w_1 b_1 w_2 b_2] = PARAM_UPDATE(w_1, b_1, w_2, b_2,...
42.                                           d_w_1, d_b_1, d_w_2, d_b_2, g_L);
43.        
44.     end
45. end
46. figure, plot(E_n)
47.  
48. X_TEST = [IRIS_Setosa(1 : g_In, : )...
49.      IRIS_Verginica(1 : g_In, : )...
50.      IRIS_Versicolor(1 : g_In, : )];
51. Y_TEST = [IRIS_Setosa(5, : )...
52.      IRIS_Verginica(5, : )...
53.      IRIS_Versicolor(5, : )];
54.  
55.  
56. [n_X n_Samples] = size(X_TEST);
57. [n_Y n_Samples] = size(Y_TEST);
58.  
59. E_n_t = 0;
60. for n_j = 1 : n_Samples
61.     [ol_out(n_j) hl_out] = MLP(X_TEST(:, n_j), w_1, b_1, w_2, b_2);
62.     [error_t(n_j) E_n_t] = FITNESS_VALUE(E_n_t, Y_TEST(n_j), ol_out(n_j));
63. end
64.  
65. figure, plot(error_t)
66. xlabel('X')
67. ylabel('Error')

Source code

1. function [d_w_1 d_b_1 d_w_2 d_b_2]= BACK_PROPAGATION(X, w_2, hl_out, error)
2.  
3.  d_b_2 = error;
4.  d_w_2 = error * hl_out;
5.  
6.  s = error * w_2 .* hl_out .* (1- hl_out);
7.  d_b_1 = s;
8.  d_w_1 = s * X';

Source code

1. function [error E_n] = FITNESS_VALUE(E_n, Outputs, ol_out)
2.  error = Outputs - ol_out;
3.  E_n = E_n + error^2/2;

Source code

1. function [ol_out hl_out] = MLP(X, w_1, b_1, w_2, b_2)
2.  
3.  hl_sum = w_1 * X + b_1;
4.  hl_out = logsig(hl_sum);
5.  ol_out = hl_out' * w_2 +b_2;

Source code

1. function [w_1 b_1 w_2 b_2] = PARAM_UPDATE(w_1, b_1, w_2, b_2,...
2.  d_w_1, d_b_1, d_w_2, d_b_2, g_L)
3.  w_1 = w_1 + g_L * d_w_1;
4.  w_2 = w_2 + g_L * d_w_2;
5.  b_1 = b_1 + g_L * d_b_1;
6.  b_2 = b_2 + g_L * d_b_2;

Source code

1. function [w_1 b_1 w_2 b_2] = WEIGTH_CREATE(X, Y, g_Layer_Cell, n_X, n_Y)
2.  
3.  w_1 = rand(g_Layer_Cell, n_X);
4.  b_1 = rand(g_Layer_Cell, 1);
5.  w_2 = rand(g_Layer_Cell, 1);
6.  b_2 = rand(n_Y, 1);