Python ve Scikit-Learn ile Makine Öğrenme Modelleri Oluşturma

Makine öğrenimi, veri analizi ve tahmini için olmazsa olmaz bir araç haline geldi. Python, Scikit-Learn kütüphanesiyle birleştirildiğinde, makine öğrenimi modelleri oluşturmak için güçlü bir ortam sağlar. Bu kılavuz, veri hazırlamadan model değerlendirmesine kadar Python ve Scikit-Learn kullanarak makine öğrenimi modelleri oluşturma sürecinde size yol gösterecektir.

Ortamınızı Kurma

Makine öğrenimi modelleri oluşturmaya başlamadan önce Python ortamınızı ayarlamanız gerekir. Python'ın Scikit-Learn ve diğer temel kütüphanelerle birlikte yüklü olduğundan emin olun.

# Install necessary libraries
pip install numpy pandas scikit-learn matplotlib

Verileri Yükleme ve Hazırlama

Makine öğrenimi modeli oluşturmanın ilk adımı verilerinizi yüklemek ve hazırlamaktır. Scikit-Learn, çeşitli veri biçimlerini işlemek ve verileri etkili bir şekilde ön işlemek için yardımcı programlar sağlar.

import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler

# Load dataset
data = pd.read_csv('data.csv')

# Split data into features and target
X = data.drop('target', axis=1)
y = data['target']

# Split data into training and testing sets
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

# Standardize features
scaler = StandardScaler()
X_train = scaler.fit_transform(X_train)
X_test = scaler.transform(X_test)

Bir Model Seçimi

Scikit-Learn, farklı makine öğrenmesi sorunları için geniş bir algoritma yelpazesi sunar. Bu örnek için basit bir lojistik regresyon modeli kullanacağız.

from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score, confusion_matrix, classification_report

# Initialize and train the model
model = LogisticRegression()
model.fit(X_train, y_train)

# Make predictions
y_pred = model.predict(X_test)

# Evaluate the model
accuracy = accuracy_score(y_test, y_pred)
conf_matrix = confusion_matrix(y_test, y_pred)
class_report = classification_report(y_test, y_pred)

print(f'Accuracy: {accuracy}')
print(f'Confusion Matrix:\n{conf_matrix}')
print(f'Classification Report:\n{class_report}')

Model Parametrelerinin Ayarlanması

Model parametrelerinin ince ayarlanması model performansını önemli ölçüde iyileştirebilir. Scikit-Learn, GridSearchCV gibi hiperparametre ayarlama araçları sağlar.

from sklearn.model_selection import GridSearchCV

# Define parameter grid
param_grid = {'C': [0.1, 1, 10], 'solver': ['lbfgs', 'liblinear']}

# Initialize GridSearchCV
grid_search = GridSearchCV(LogisticRegression(), param_grid, cv=5)

# Fit GridSearchCV
grid_search.fit(X_train, y_train)

# Best parameters
print(f'Best Parameters: {grid_search.best_params_}')

Model Performansını Görselleştirme

Model performansını görselleştirmek, modelin ne kadar iyi performans gösterdiğini anlamanıza yardımcı olur. Görselleştirmeler oluşturmak için Matplotlib gibi kütüphaneleri kullanın.

import matplotlib.pyplot as plt
import seaborn as sns

# Plot confusion matrix
sns.heatmap(conf_matrix, annot=True, fmt='d', cmap='Blues')
plt.title('Confusion Matrix')
plt.xlabel('Predicted Labels')
plt.ylabel('True Labels')
plt.show()

Çözüm

Python ve Scikit-Learn ile makine öğrenimi modelleri oluşturmak, veri hazırlama, model seçimi, eğitim ve değerlendirmeyi içeren basit bir işlemdir. Bu adımları izleyerek ve Scikit-Learn'ün güçlü araçlarını kullanarak çeşitli uygulamalar için etkili makine öğrenimi modelleri geliştirebilirsiniz. Makine öğrenimindeki becerilerinizi daha da geliştirmek için farklı modelleri ve teknikleri keşfetmeye devam edin.