Fuzzy Logic and Deep Learning Integration in Likert Type Data

Authors : Zeynep ÜNAL, Emre İPEKÇİ ÇETİN

Pages : 112-125

Doi:10.35414/akufemubid.1019671

View : 60 | Download : 14

Publication Date : 2022-02-28

Article Type : Research Paper

Abstract :Derin öğrenme ağları birçok modern uygulamaya sahip olup yüksek performans seviyesi göstermektedir. Derin öğrenme ağlarının gerçek dünyadaki sorunlara uygulamaları yayılmaya devam ederken bunların neden etkili olduğu bilinmemektedir. Ancak deneylerde ağların davranışını inceleyerek bazı yargılarda bulunmak mümkündür. Bu çalışmanın amacı 5 noktalı Likert tipi ölçeğiyle üretilen yapay veri setlerinin üçgensel ya da yamuk bulanık sayılar kullanılarak bulanık forma dönüştürülmesi ve bu yolla verilerin çoğalması durumunda derin öğrenme tekniklerinin performansının analiz edilmesidir. Derin öğrenme ve bulanık mantık tekniklerinin entegrasyonu sonucunda önerilen modelin performansının test edilmesi için memnuniyet tahmin problemi seçilmiştir Bulanık sayılarla oluşturulan veri setleri ile normal veri setinden en az 3 ya da 4 kat daha fazla parametre sayısına ulaşılmaktadır. Böylece büyük veri ile optimizasyon çalışmalarında yerel optimuma tuzağına düşme olasılığı azalmaktadır. Derin öğrenme ile yapılan analizlerde, literatürdeki bulanıklaştırma örneklerine uygun olarak, tepe, maksimum ve minimum değerler için ayrı sonuçlarla durulaştırma gerçekleştirilmiştir. Literatürden farklı olarak bulanık sayıların tek sonuç dizisi üretmesi önerilerek derin öğrenme modelinin performansları araştırılmıştır.
Keywords : Derin Öğrenme, Lojistik Regresyon, Bulanık Mantık, Likert Ölçeği

ORIGINAL ARTICLE URL