dalmacyali commited on
Commit
663d97d
·
verified ·
1 Parent(s): 1507eb2

Update app.R

Browse files
Files changed (1) hide show
  1. app.R +41 -37
app.R CHANGED
@@ -136,42 +136,47 @@ ui <- fluidPage(
136
  )
137
  )
138
  ),
139
- tabPanel("Multilayer Perceptron",
140
- sidebarLayout(
141
- sidebarPanel(
142
- fileInput("mlp_fileInput", "Choose CSV/XLSX/XSX File", accept = c(".csv", ".xlsx", ".xls")),
143
- uiOutput("mlp_preprocessUI"),
144
- numericInput("mlp_hiddenLayers", "Number of Hidden Layers", value = 1),
145
- numericInput("mlp_neurons", "Neurons in Hidden Layer", value = 5),
146
- numericInput("mlp_epochs", "Number of Epochs", value = 100),
147
- actionButton("mlp_trainButton", "Train MLP Model"),
148
- HTML("<div>
149
- <h2>Çok Katmanlı Perseptron Modeli</h2>
150
- <p>Çok katmanlı perseptron modeli, derin öğrenme ve yapay sinir ağlarının temel yapı taşlarından biridir. Bu model, karmaşık veri yapılarını öğrenebilme ve tahmin etme yeteneğiyle ön plana çıkar.</p>
151
- <h3>Kullanım Adımları:</h3>
152
- <ol>
153
- <li><strong>Veri Dosyası Yükleme:</strong> <code>fileInput</code> aracı ile CSV, XLSX veya XSX formatlarında veri dosyanızı yükleyin.</li>
154
- <li><strong>Ön İşleme ve Değişken Seçimi:</strong> Dinamik olarak oluşturulan UI üzerinden hedef değişken, öngörücü değişken(ler) ve koşullu değişken seçin.</li>
155
- <li><strong>Model Parametreleri:</strong> Gizli katman sayısı, bir gizli katmandaki nöron sayısı ve dönem sayısı gibi model parametrelerini ayarlayın.</li>
156
- <li><strong>Modeli Eğit:</strong> <code>Train MLP Model</code> butonu ile çok katmanlı perceptron modelinizi eğitin.</li>
157
- </ol>
158
- <h3>Model Çıktısı ve Değerlendirme:</h3>
159
- <p>Model eğitimi tamamlandıktan sonra, eğitim sürecini ve modelin performansını gösteren grafikler ve özet metinler kullanıcıya sunulur. Model, verilen parametrelere göre en iyi yapılandırmayı öğrenmeye çalışır.</p>
160
- <h3>Uygulama Alanları:</h3>
161
- <p>Çok katmanlı perseptron modelleri, görüntü ve ses işleme, metin sınıflandırma ve finansal tahminler gibi geniş bir uygulama alanına sahiptir.</p>
162
- <h3>Sonuçların Yorumlanması:</h3>
163
- <p>Modelin başarımı, hata oranları, adım sayısı ve ağırlık dağılımları üzerinden değerlendirilir. Eğitim sürecinde elde edilen ağırlık değerleri, modelin öğrenme kapasitesini ve veri üzerindeki genelleme yeteneğini gösterir. Ayrıca, modelin gerçek dünya verileri üzerindeki performansını test etmek için ayrı bir test veri seti kullanılması önerilir.</p>
164
- </div>")
165
- ),
166
- mainPanel(
167
- tabsetPanel(
168
- tabPanel("Multilayer Output", plotOutput("mlp_trainingPlot", width = "100%", height = "700px")),
169
- tabPanel("Evaluation", verbatimTextOutput("mlp_evaluation")),
170
- tabPanel("GW Plot", plotOutput("mlp_gwplot", width = "100%", height = "700px"))
171
- )
172
- )
173
- )
174
- ),
 
 
 
 
 
175
 
176
 
177
  )
@@ -274,7 +279,6 @@ server <- function(input, output, session) {
274
  })
275
 
276
  ##Multiple Perceptron Model
277
- ##Multiple Perceptron Model
278
  # Reactive expression for data input
279
  dataMLP <- reactive({
280
  req(input$mlp_fileInput)
 
136
  )
137
  )
138
  ),
139
+ tabPanel("Multilayer Perceptron",
140
+ sidebarLayout(
141
+ sidebarPanel(
142
+ fileInput("mlp_fileInput", "Choose CSV/XLSX/XSX File", accept = c(".csv", ".xlsx", ".xsx")),
143
+ uiOutput("mlp_preprocessUI"),
144
+ numericInput("mlp_hiddenLayers", "Number of Hidden Layers", value = 1),
145
+ numericInput("mlp_neurons", "Neurons in Hidden Layer", value = 5),
146
+ numericInput("mlp_epochs", "Number of Epochs", value = 100),
147
+ actionButton("mlp_trainButton", "Train MLP Model"),
148
+ HTML("<div>
149
+ <h2>Çok Katmanlı Perseptron Modeli</h2>
150
+ <p>Çok katmanlı perseptron modeli, derin öğrenme ve yapay sinir ağlarının temel yapı taşlarından biridir. Bu model, karmaşık veri yapılarını öğrenebilme ve tahmin etme yeteneğiyle ön plana çıkar.</p>
151
+
152
+ <h3>Kullanım Adımları:</h3>
153
+ <ol>
154
+ <li><strong>Veri Dosyası Yükleme:</strong> <code>fileInput</code> aracı ile CSV, XLSX veya XSX formatlarında veri dosyanızı yükleyin.</li>
155
+ <li><strong>Ön İşleme ve Değişken Seçimi:</strong> Dinamik olarak oluşturulan UI üzerinden hedef değişken, öngörücü değişken(ler) ve koşullu değişken seçin.</li>
156
+ <li><strong>Model Parametreleri:</strong> Gizli katman sayısı, bir gizli katmandaki nöron sayısı ve dönem sayısı gibi model parametrelerini ayarlayın.</li>
157
+ <li><strong>Modeli Eğit:</strong> <code>Train MLP Model</code> butonu ile çok katmanlı perceptron modelinizi eğitin.</li>
158
+ </ol>
159
+
160
+ <h3>Model Çıktısı ve Değerlendirme:</h3>
161
+ <p>Model eğitimi tamamlandıktan sonra, eğitim sürecini ve modelin performansını gösteren grafikler ve özet metinler kullanıcıya sunulur. Model, verilen parametrelere göre en iyi yapılandırmayı öğrenmeye çalışır.</p>
162
+
163
+ <h3>Uygulama Alanları:</h3>
164
+ <p>Çok katmanlı perseptron modelleri, görüntü ve ses işleme, metin sınıflandırma ve finansal tahminler gibi geniş bir uygulama alanına sahiptir.</p>
165
+
166
+ <h3>Sonuçların Yorumlanması:</h3>
167
+ <p>Modelin başarımı, hata oranları, adım sayısı ve ağırlık dağılımları üzerinden değerlendirilir. Eğitim sürecinde elde edilen ağırlık değerleri, modelin öğrenme kapasitesini ve veri üzerindeki genelleme yeteneğini gösterir. Ayrıca, modelin gerçek dünya verileri üzerindeki performansını test etmek için ayrı bir test veri seti kullanılması önerilir.</p>
168
+ </div>")
169
+
170
+ ),
171
+ mainPanel(
172
+ tabsetPanel(
173
+ tabPanel("Multilayer Output", plotOutput("mlp_trainingPlot", width = "100%", height = "700px")),
174
+ tabPanel("Evaluation", verbatimTextOutput("mlp_evaluation")),
175
+ tabPanel("GW Plot", plotOutput("mlp_gwplot", width = "100%", height = "700px"))
176
+ )
177
+ )
178
+ )
179
+ ),
180
 
181
 
182
  )
 
279
  })
280
 
281
  ##Multiple Perceptron Model
 
282
  # Reactive expression for data input
283
  dataMLP <- reactive({
284
  req(input$mlp_fileInput)