Yapay Zeka ile Göğüs Kanserinin Erken Teşhisi

Tools

• Python

• Keras

Business Models

• Hedef Ağacı

• Kanvas İş Modeli

• Mantıksal Çerçeve

Veri Giriş Aşaması

• Hücre Boyutunun Düzgünlüğü

• Hücre Şeklinin Düzgünlüğü

giris = veriyeni[:, 0:8]
# giris.shape => (698,8) 8 özelliğe bağlı giriş katmanımız
cikis = veriyeni[:, 9]
# cikis.shape => 8 özellikten tahmin ettiğimiz çıkış katmanımız

Modelleme Aşaması

Input Layers

Hidden Layers

Output Layers

Sequential

model.add(Dense(10, input_dim=8))

Dense

Aktivasyon Fonksiyonları

• Step Fonksiyonu: Bir eşik değeri alarak ikili bir sınıflandırma çıktısı (0 ya da 1) üretir.

• Sigmoid Fonksiyonu: En yaygın kullanılan aktivasyon fonksiyonlarından birisidir. [0, 1] aralığında çıktı üretir.

• Tanh Fonksiyonu: [-1, 1] aralığında çıktı üreten doğrusal olmayan bir fonksiyondur.

• Softmax Fonksiyonu: Çoklu sınıflandırma problemleri için kullanılan bu fonksiyon, verilen her bir girdinin bir sınıfa ait olma olasılığını gösteren [0, 1] arası çıktılar üretir.

• Softplus Fonksiyonu: Sigmoid ve Tanh gibi geleneksel aktivasyon fonksiyonlarına alternatif olarak sunulan bu fonksiyon (0, +∞) aralığında türevlenebilir bir çıktı üretmektedir.

• ELU Fonksiyonu: Üstel lineer birim, negatif girdiler hariç ReLu ile benzerdir. Negatif girdilerde ise genellikle 1.0 alınan alfa parametresi almaktadır.

• PReLU Fonksiyonu: Parametrik ReLU olarak geçen bu aktivasyon fonksiyonu da negatif girdiler için extra alfa sabiti ile verilen girdinin çarpım sonucunu çıktı olarak üretmektedir.

• Swish Fonksiyonu: Google araştırmacıları tarafından keşfedilen bu fonksiyon girdiler ile sigmoid fonkisyonunun çarpımını çıktı olarak üretmektedir.

• ReLU Fonksiyonu: Doğrusal olmayan bir fonksiyondur. ReLU fonksiyonu negatif girdiler için 0 değerini alırken, x pozitif girdiler için x değerini almaktadır.

Neden ReLu Fonksiyonunu Kullandık

Sigmoid Fonksiyonu

Tanh Fonksiyonu

ReLU Fonksiyonu

Softmax Fonksiyonu

Dropout

model.add(Dropout(0.5))

model.add(Dense(10))

model.add(Activation('relu'))

model.add(Dropout(0.5))

model.add(Dense(10))

model.add(Activation('softmax'))

Learning Rate

optimizer = keras.optimizers.SGD(lr=0.01)
model.compile(optimizer=optimizer, loss='sparse_categorical_crossentropy',
metrics=['accuracy’])

Optimizasyon Nasıl Yapılır

Loss (Hata) Fonksiyonları

Mean Squared Error (Ortalama Kare Hatası)

Logarithm Error Function (Logaritmik Hata Fonksiyonu)

Verileri Modele Yerleştirmek

model.fit(giris, cikis, epochs=10, batch_size=32, validation_split=0.20)

tahmin = np.array(
  [
    uniformity_cell_size,
    uniformity_cell_shape,
    marginal_adhesion,
    single_epithelial_cell_size,
    bare_nuclei,
    bland_chromatin,
    normal_nucleoli,
    mitoses
 ]
).reshape(1, 8)

Veri Girişi

Sonuçların Görüntülenmesi

Doğruluk Oranları

Kaynakça

archive.ics.uci.edu

Multivariate Number of Instances: 699 Area: Life Attribute Characteristics: Integer Number of Attributes: 10 Date Donated 1992-07-15 Associated Tasks: Classification Missing Values? Yes Number of Web Hits: 790467 Source: Creator: Dr. WIlliam H. Wolberg (physician) University of Wisconsin Hospitals Madison, Wisconsin, USA Donor: Olvi Mangasarian ( mangasarian '@' cs.wisc.edu) Received by David W.

https://archive.ics.uci.edu/ml/datasets/breast+cancer+wisconsin+(original)

Keras documentation: Layer activation functions

Activations can either be used through an Activation layer, or through the activation argument supported by all forward layers: This is equivalent to: All built-in activations may also be passed via their string identifier: Applies the rectified linear unit activation function.

https://keras.io/api/layers/activations/

Keras documentation: Losses

The purpose of loss functions is to compute the quantity that a model should seek to minimize during training. Note that all losses are available both via a class handle and via a function handle. The class handles enable you to pass configuration arguments to the constructor (e.g.

https://keras.io/api/losses/

Keras documentation: Optimizers

An optimizer is one of the two arguments required for compiling a Keras model: You can either instantiate an optimizer before passing it to model.compile() , as in the above example, or you can pass it by its string identifier. In the latter case, the default parameters for the optimizer will be used.

https://keras.io/api/optimizers/

An overview of gradient descent optimization algorithms

Gradient descent is the preferred way to optimize neural networks and many other machine learning algorithms but is often used as a black box. This post explores how many of the most popular gradient-based optimization algorithms such as Momentum, Adagrad, and Adam actually work.

https://ruder.io/optimizing-gradient-descent/index.html#momentum