Radial Basis Function Network (Radyal Tabanlı Fonksiyon Ağı)

#YapayZeka #SinirAgi #MakineOgrenimi #FonksiyonYaklasiml

Radyal Tabanlı Fonksiyon Ağı, gizli katmanında Gauss gibi radyal aktivasyon fonksiyonları kullanan, hızlı ve yorumlanabilir üç katmanlı bir yapay sinir ağıdır.

Radyal Tabanlı Fonksiyon Ağı (RBF Network), gizli katmanındaki nöronların doğrusal olmayan radyal tabanlı aktivasyon fonksiyonları kullandığı, üç katmanlı bir ileri beslemeli yapay sinir ağıdır. Ağ; bir giriş katmanı, RBF nöronlarından oluşan tek bir gizli katman ve doğrusal çıkış katmanından meydana gelir. RBF ağlarının temeli 1988 yılında Broomhead ve Lowe tarafından atılmıştır. Gizli katmandaki her nöron, bir merkez vektörü (μ) ve bir genişlik parametresi (σ) ile tanımlanır; girdi vektörünün bu merkeze olan uzaklığını bir aktivasyon değerine dönüştürür. En yaygın kullanılan aktivasyon fonksiyonu Gauss fonksiyonudur: φ(x) = exp(−‖x − μ‖² / 2σ²). Girdi merkeze ne kadar yakınsa aktivasyon o kadar yüksek olur; uzaklaştıkça sıfıra yaklaşır. Eğitim süreci iki aşamada gerçekleşir. Birinci aşamada gizli katmanın merkez vektörleri k-ortalamalar algoritması gibi gözetimsiz yöntemlerle belirlenir; bu sayede ağ eğitim verisinin yapısını keşfeder. İkinci aşamada çıkış katmanının ağırlıkları en küçük kareler yöntemiyle öğrenilir; bu aşama dışbükey bir optimizasyon problemidir ve tek bir global minimuma sahiptir. RBF ağları, çok katmanlı algılayıcı (MLP) yapısına göre birçok avantaj sunar: eğitim çok daha hızlıdır, yerel minimumlara takılma riski düşüktür ve ağırlıklar yorumlanabilir merkez yapısı sayesinde anlaşılabilirdir. Fonksiyon yaklaşımı, zaman serisi tahmini, sınıflandırma, enterpolasyon ve kontrol sistemleri gibi alanlarda geniş kullanım bulurlar. Öte yandan yüksek boyutlu giriş uzaylarında merkez sayısının aşırı artması (boyutsallık laneti) önemli bir sınırlamadır.

RBF Ağı Nasıl Çalışır?

Radyal Tabanlı Fonksiyon Ağı üç katmandan oluşur: giriş katmanı girdi vektörünü hiç dönüştürmeden iletir; gizli katmandaki her nöron bu girdiyi kendi merkez noktasına uzaklığını hesaplayarak bir aktivasyon değerine çevirir; çıkış katmanı ise bu aktivasyon değerlerini doğrusal bir kombinasyonla birleştirerek sonucu üretir. Gauss aktivasyon fonksiyonu φ(x) = exp(−‖x − μ‖² / 2σ²) ile tanımlanır. Burada μ merkez vektörünü, σ ise genişlik parametresini (yayılma alanını) belirler. Girdi merkeze yaklaştıkça fonksiyon değeri 1'e, uzaklaştıkça 0'a yaklaşır. Böylece her gizli nöron, giriş uzayında belirli bir bölgeyi 'sahiplenir' ve yalnızca o bölgeye yakın girdilere güçlü tepki verir. Çıkış katmanı tamamen doğrusaldır; yani nihai tahmin, gizli nöron çıkışlarının ağırlıklı toplamıdır. Bu dışbükey yapı, çıkış ağırlıklarının analitik olarak hesaplanabilmesini sağlar ve standart geri yayılım (backpropagation) yerine en küçük kareler çözümüne imkân tanır.

İki Aşamalı Eğitim Süreci

  • check_circle 1. Aşama: Merkez Belirleme (Gözetimsiz): K-ortalamalar algoritması veya rastgele örnekleme ile eğitim verisinden merkez konumları (μ) ve genişlik parametreleri (σ) belirlenir. Bu aşama etiket gerektirmez; verinin geometrik yapısını öğrenir.
  • check_circle 2. Aşama: Ağırlık Öğrenme (Denetimli): Merkezler sabit tutularak çıkış katmanının ağırlıkları, hedef değerlerle hata kareler toplamını minimize edecek biçimde analitik olarak çözülür. Dışbükey problem olduğu için global minimum garantidir.
  • check_circle Tek Aşamalı Eğitim (alternatif): Tüm parametreler (merkezler, genişlikler, ağırlıklar) geri yayılım ile eş zamanlı optimize edilebilir. Daha yavaş ama daha hassas; özellikle küçük veri kümelerinde tercih edilir.

RBF Ağı ile MLP Karşılaştırması

  • check_circle Eğitim Hızı: RBF ağları çıkış katmanını analitik olarak çözebildiğinden MLP'ye göre genellikle çok daha hızlı eğitilir.
  • check_circle Yerel Minimum Riski: MLP'de geri yayılım yerel minimumlara takılabilir; RBF'nin çıkış katmanı dışbükey olduğu için bu risk ortadan kalkar.
  • check_circle Yorumlanabilirlik: RBF nöronlarının merkez vektörleri, verinin neresini temsil ettiği konusunda sezgisel bir anlam taşır; MLP ağırlıkları ise genellikle yorumlanamaz.
  • check_circle Boyut Ölçeklenmesi: Yüksek boyutlu giriş uzaylarında yeterli kapsama için çok sayıda merkez gerekebilir. MLP ise aynı kapsamı daha az parametre ile sağlayabilir.
  • check_circle Büyük Veri Performansı: Derin öğrenme ve büyük MLP mimarileri, büyük ölçekli veri kümelerinde RBF ağlarını geride bırakır; ancak küçük ve orta ölçekli problemlerde RBF hâlâ rekabetçidir.

Uygulama Alanları

  • check_circle Fonksiyon Yaklaşımı ve Enterpolasyon: Gürültülü ölçüm verisinden kesintisiz bir fonksiyon yüzeyi oluşturmak için kullanılır; coğrafi veri analizi ve bilimsel modelleme başlıca örneklerdir.
  • check_circle Zaman Serisi Tahmini: Finansal tahmin, hava durumu modelleme ve güç tüketimi öngörüsü gibi görevlerde doğrusal olmayan örüntüleri yakalama kapasitesi öne çıkar.
  • check_circle Sınıflandırma: İki veya çok sınıflı problemlerde, özellikle sınıf sınırlarının düzensiz olduğu durumlarda etkili sonuçlar verir.
  • check_circle Kontrol Sistemleri: Donanım üzerinde gerçek zamanlı model öğreniminde kullanılır; hesaplama verimliliği kritik uygulamalarda tercih sebebidir.
  • check_circle Tıp ve Biyoenformatik: Hastalık tahmini, ilaç-protein etkileşim modelleme ve tıbbi görüntü segmentasyonunda başarıyla uygulanmıştır.

Aktivasyon Fonksiyonu Varyantları

  • check_circle Gauss (Gaussian): φ(r) = exp(−r²/2σ²) — en yaygın seçim; merkezden uzaklaştıkça pürüzsüz biçimde sıfıra iner.
  • check_circle Çok Kuadratik (Multiquadric): φ(r) = √(r² + c²) — Hardy (1971) tarafından önerilmiş; enterpolasyon problemlerinde sıkça kullanılır.
  • check_circle Ters Çok Kuadratik (Inverse Multiquadric): φ(r) = 1/√(r² + c²) — yerel destek sağlar ve geniş veri dağılımlarında etkilidir.
  • check_circle İnce Levha Eğri Fonksiyonu (Thin Plate Spline): φ(r) = r² log(r) — düzgün enterpolasyon yüzeyleri için bilgisayarla görüde ve şekil analizinde tercih edilir.

Sıkça Sorulan Sorular

  • check_circle RBF ağı ile derin öğrenme arasındaki fark nedir?: Derin öğrenme ağları çok sayıda gizli katmana sahipken RBF ağları tek bir gizli katman kullanır. Derin ağlar büyük veri ve yüksek boyutlu problemlerde üstünken RBF ağları az veriyle hızlı ve güvenilir sonuç verir.
  • check_circle Merkez sayısı nasıl belirlenir?: Çapraz doğrulama (cross-validation) ile denenir; veri noktası sayısının kareköküyle başlamak yaygın bir kural olsa da problem bağımlıdır. Çok az merkez underfitting, çok fazla merkez overfitting riskine yol açar.
  • check_circle RBF ağları hangi kütüphanelerde kullanılabilir?: scikit-learn'de RBFSampler ve SVM kernel seçeneği olarak mevcuttur. TensorFlow ve PyTorch'ta özel katmanlar yazılarak doğrudan uygulanabilir. scipy.interpolate.RBFInterpolator enterpolasyon görevleri için kullanılır.
  • check_circle Destek vektör makineleriyle (SVM) ilişkisi var mı?: Evet; Gauss kernel kullanan SVM, merkezler olarak destek vektörlerini seçen ve çıkış ağırlıklarını çözümleyen bir RBF ağı olarak yorumlanabilir. İkisi matematiksel olarak yakından ilişkilidir.
  • check_circle RBF ağlarında aşırı öğrenmeyi (overfitting) önlemek için ne yapılır?: Merkez sayısını sınırlamak, genişlik parametrelerini düzenleştirmek (Tikhonov regularization) ve çapraz doğrulama kullanmak başlıca yöntemlerdir. Erken durdurma (early stopping) da tek aşamalı eğitimde uygulanabilir.