Çok Katmanlı Algılayıcı (MLP)
Multi-layer Perceptron (Feedforward Neural Network with Backpropagation) · Ayrıca şöyle bilinir: MLP, feedforward neural network, fully connected neural network, artificial neural network, dense neural network
Çok Katmanlı Algılayıcı (MLP), geri yayılım ile eğitilen, 1986'da Rumelhart, Hinton ve Williams tarafından Nature'da yayınlanan dönüm noktası niteliğindeki makalelerinde biçimlendirilen bir ileri beslemeli yapay sinir ağı mimarisidir. Bir giriş katmanı, doğrusal olmayan aktivasyon fonksiyonlarına sahip bir veya daha fazla gizli nöron katmanı ve bir çıkış katmanından oluşan MLP, herhangi bir sürekli fonksiyonu keyfi bir doğrulukla yaklaştırabilir ve klasik makine öğrenimi ile modern derin öğrenme arasındaki kavramsal köprü görevi görür.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
MLP, girdiler ve çıktılar arasındaki ilişkinin karmaşık ve doğrusal olmadığı, veri kümesinin birçok parametreyi öğrenmeyi destekleyecek kadar büyük olduğu (tipik olarak en az birkaç yüz etiketli örnek ve daha derin ağlar için genellikle çok daha fazlası) ve tahmin performansı katsayı düzeyinde yorumlanabilirlik ihtiyacından daha ağır bastığı durumlarda uygundur. Vektörleştirilmiş girdiler üzerindeki sınıflandırma (ikili ve çok sınıflı) ve regresyon için uygundur — tablo verileri, çıkarılmış özellikler, gömülmeler. Ham görüntüler (CNN'leri tercih edin), diziler (RNN'leri veya Transformer'ları tercih edin) veya daha basit modellerin daha iyi genelleştiği küçük veri kümeleri için doğru seçim değildir. Temel varsayımlar, eğitim örneklerinin bağımsız ve aynı şekilde dağılmış olması ve etiketli bir eğitim kümesinin mevcut olmasıdır. Hiperparametre seçimi (derinlik, genişlik, aktivasyon, öğrenme oranı, düzenlileştirme) esastır.
Güçlü yönler & sınırlılıklar
- Evrensel yaklaştırma: yeterli sayıda nörona sahip en az bir gizli katmanı ve doğrusal olmayan bir aktivasyonu olan bir MLP, keyfi hassasiyetle herhangi bir sürekli fonksiyonu yaklaştırabilir (Cybenko 1989; Hornik ve diğerleri 1989).
- Esnek çıktı: aynı mimari, yalnızca çıkış katmanındaki bir değişiklikle ikili sınıflandırmayı (sigmoid çıkışı, ikili çapraz entropi), çok sınıflı sınıflandırmayı (softmax çıkışı, kategorik çapraz entropi) ve regresyonu (doğrusal çıkış, ortalama karesel hata) destekler.
- Bileştirilebilir ve genişletilebilir: neredeyse her derin öğrenme mimarisinin omurgasını oluşturur, MLP'lerle öğrenilen becerilerin CNN'lere, RNN'lere ve Transformer'lara aktarılmasını sağlar.
- Düzenlileştirme seçenekleri iyi anlaşılmıştır: dropout, ağırlık bozunumu (L2), erken durdurma ve yığın normalizasyonu, yerleşik yollarla aşırı uyumu azaltır.
- Önemli miktarda etiketli veri gerektirir: küçük veri kümelerinde model kolayca aşırı uyum sağlar ve lojistik regresyon veya rastgele ormanlar gibi daha basit modeller tipik olarak daha iyi genelleşir.
- Hesaplama açısından yoğundur: büyük ağları eğitmek önemli zaman ve (çok derin modeller için) GPU kaynakları gerektirir.
- Kara kutu tahminleri: bireysel ağırlıklar yorumlanamaz; tahminleri açıklamak için SHAP veya LIME üst katman olarak eklenmelidir.
- Hiperparametrelere duyarlıdır: derinlik, genişlik, aktivasyon fonksiyonu, öğrenme oranı ve düzenlileştirme gücü hepsi etkileşim halindedir ve kötü seçimler yakınsamayı engelleyebilir veya ciddi aşırı uyuma neden olabilir.
- Çok derin ağlarda kaybolan ve patlayan gradyanlara eğilimlidir, ancak modern aktivasyonlar (ReLU), başlatma şemaları ve yığın normalizasyonu büyük ölçüde bunu hafifletir.
SSS
Kaç gizli katman ve nöron kullanmalıyım?
Evrensel bir cevap yok. Teorik olarak yeterli sayıda nörona sahip tek bir gizli katman herhangi bir sürekli fonksiyonu yaklaştırabilir, ancak pratikte daha derin ağlar genellikle daha az toplam parametre ile daha iyi genelleşir. Yaygın bir başlangıç noktası, her biri 64-256 nörona sahip bir veya iki gizli katmandır; ardından yetersiz uyum varsa kapasiteyi artırın veya aşırı uyum varsa düzenlileştirme ekleyin. Bu seçimlere rehberlik etmek için bir doğrulama kümesi kullanın.
Hangi aktivasyon fonksiyonunu seçmeliyim?
ReLU (doğrultulmuş doğrusal birim), çoğu modern MLP'de gizli katmanlar için varsayılan değerdir: hesaplama açısından ucuzdur, orta derinlikler için kaybolan gradyan sorununu önler ve pratikte iyi çalışır. Sigmoid ve tanh hala belirli bağlamlarda kullanılır (örneğin, ikili sınıflandırma veya kapılı mimariler için çıkış katmanları). Standart ReLU ile nöronlar öldüğünde Leaky ReLU, ELU ve GELU makul alternatiflerdir.
MLP'min aşırı uyum sağladığını nasıl anlarım?
Eğitim kaybını ve doğrulama kaybını eş zamanlı olarak izleyin. Eğitim kaybı düşmeye devam ederken doğrulama kaybı düşmeyi durdurursa, model aşırı uyum sağlıyor demektir. En iyi doğrulama performansının olduğu noktada eğitimi durdurmak için erken durdurmayı kullanın. Dropout ve ağırlık bozunumu (L2 düzenlileştirme) standart çözümlerdir.
Neden lojistik regresyon veya rastgele orman gibi daha basit modeller yerine bir MLP'yi tercih etmeliyim?
Girdi-çıktı ilişkisinin güçlü bir şekilde doğrusal olmadığı ve özellikler arasındaki etkileşimlerin karmaşık olduğu ve ağın bu desenleri güvenilir bir şekilde öğrenebilmesi için yeterli veriye sahip olduğunuz durumlarda MLP'yi tercih edin. Küçük veri kümelerinde veya yorumlanabilirliğin önemli olduğu durumlarda, lojistik regresyon veya düzenlileştirilmiş bir doğrusal model genellikle daha güvenlidir. Rastgele ormanlar, dikkatli ayarlama yapılmadan tablo verilerinde genellikle MLP'lerden daha iyi performans gösterir.
Kaynaklar
- Rumelhart, D. E., Hinton, G. E., & Williams, R. J. (1986). Learning representations by back-propagating errors. Nature, 323, 533–536. DOI: 10.1038/323533a0 ↗
- Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning (Ch. 6–7). MIT Press. ISBN: 978-0-262-03561-3
- Bishop, C. M. (2006). Pattern Recognition and Machine Learning (Ch. 5). Springer. ISBN: 978-0-387-31073-2
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Multi-layer Perceptron (Feedforward Neural Network with Backpropagation). ScholarGate. https://scholargate.app/tr/machine-learning/multi-layer-perceptron
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Lojistik RegresyonAraştırma istatistiği↔ karşılaştır
- Rastgele OrmanMakine öğrenmesi↔ karşılaştır
- Tekrarlayan Sinir AğıDerin öğrenme↔ karşılaştır