Python ile Makine Öğrenimi: Scikit Learn ile Çalışmaya Başlamak

Adı : Python ile Makine Öğrenimi: Scikit Learn ile Çalışmaya Başlamak

Python, makine öğrenimi için en popüler programlama dillerinden biridir. Scikit-learn kütüphanesi de, Python'da en sık kullanılan makine öğrenimi kütüphanelerinden biridir. Bu yazıda, Scikit-learn ile çalışmaya başlamak için gereken bilgileri ve örnekleri ayrıntılı bir şekilde inceleyeceğiz.
Scikit-learn Nedir?
Scikit-learn, açık kaynaklı bir makine öğrenimi kütüphanesidir. Python programlama dili ile yazılmıştır ve geniş bir makine öğrenimi yapısı içermektedir. Kütüphane, veri madenciliği için kullanılan birçok algoritmayı desteklemektedir. Bu algoritmalar arasında sınıflandırma, regresyon, kümeleme ve boyut azaltma gibi temel makine öğrenimi teknikleri bulunmaktadır. Scikit-learn ayrıca, verilerinizi önceden işleme, model seçimi ve doğrulama gibi diğer önemli konuları da ele alır.
Scikit-learn ile Makine Öğrenimi
Scikit-learn'ü kullanarak makine öğrenimi modeli oluşturmak ve test etmek oldukça basittir. Basitçe, verilerinizi uygun formata getirerek ve bir model belirleyerek başlayabilirsiniz. Scikit-learn, veri önişleme ve model seçimi için birçok araç sağlar. Örneğin:
1. Veri Önişlemesi: Verileri kategorize etmek, standartlaştırmak, belirli özellikleri seçmek gibi birçok veri önişleme aracı Scikit-learn'de bulunmaktadır.
2. Model Seçimi: Scikit-learn, sınıflandırma, regresyon ve kümeleme gibi birçok model seçeneği sunar. Bu modeller arasından doğru modeli seçmek makine öğrenimi modelinizin etkililiğini artırabilir.
3. Veri Bölme: Verilerinizi eğitim ve test verileri olarak bölerek, modelinizi test etmeniz mümkündür. Scikit-learn, bu verileri bölmenizi kolaylaştıran araçlar sağlar.
4. Model Doğrulama: Scikit-learn, modelinizi doğrulamak için çeşitli araçlar sunar. Bu araçlar, modelinizi test etmek ve hata payını minimize etmek için kullanılabilir.
Scikit-learn örnekleri
Şimdi, Scikit-learn kullanarak makine öğrenimi modeli oluşturmak için kullanabileceğiniz birkaç örnek göstereceğiz.
Örnek 1: Sınıflandırma
Bu örnekte, göğüs kanseri verilerini kullanarak bir sınıflandırma modeli oluşturacağız. Scikit-learn'de, göğüs kanseri verileri için bir sınıflandırma modeli önceden tanımlanmıştır. İşte kod örneği:
```python
from sklearn.datasets import load_breast_cancer
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier
from sklearn.metrics import accuracy_score
# Verileri yükleme
data = load_breast_cancer()
# Eğitim ve test verilerini ayırma
X_train, X_test, y_train, y_test = train_test_split(data.data, data.target, test_size=0.25, random_state=0)
# Modeli eğitme
model = KNeighborsClassifier(n_neighbors=5)
model.fit(X_train, y_train)
# Test verilerini kullanarak modeli doğrulama
y_pred = model.predict(X_test)
accuracy = accuracy_score(y_test, y_pred)
# Sonuçları yazdırma
print(Accuracy:, accuracy)
```
Bu kod, göğüs kanseri verilerini yüklüyor, verileri eğitim ve test setlerine ayırıyor, KNN sınıflandırma modeli öğreniyor, test verilerini kullanarak modeli doğruluyor ve sonuçları yazdırıyor.
Örnekte, accuracy_score() işlevi kullanılarak modelin doğruluğu hesaplanmaktadır. Bu, modelinizin doğru sınıflandırılan örneklerin yüzdesidir.
Örnek 2: Regresyon
Bu örnekte, konut fiyatları verileri ile bir regresyon modeli oluşturacağız. Scikit-learn'de, ev fiyatları verileri için bir regresyon modeli önceden tanımlanmıştır. İşte kod örneği:
```python
from sklearn.datasets import load_boston
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error
# Verileri yükleme
data = load_boston()
# Eğitim ve test verilerini ayırma
X_train, X_test, y_train, y_test = train_test_split(data.data, data.target, test_size=0.25, random_state=0)
# Modeli eğitme
model = LinearRegression()
model.fit(X_train, y_train)
# Test verilerini kullanarak modeli doğrulama
y_pred = model.predict(X_test)
mse = mean_squared_error(y_test, y_pred)
# Sonuçları yazdırma
print(Mean Squared Error:, mse)
```
Bu kod, ev fiyatları verilerini yüklüyor, verileri eğitim ve test setlerine ayırıyor, doğrusal regresyon modelini öğreniyor, test verilerini kullanarak modeli doğruluyor ve sonuçları yazdırıyor.
Örnekte, mean_squared_error() işlevi kullanılarak modelin ortalama karesel hatası hesaplanmaktadır. Bu, modelinizin tahminlerinin gerçek değerlerden ne kadar uzak olduğunu gösterir.
Sonuç
Scikit-learn, Python'daki en popüler ve kullanışlı makine öğrenimi kütüphanesidir. Bu sayede, veri bilimciler ve araştırmacılar, makine öğrenimi modelleri oluşturmak için Scikit-learn kullanarak zamanlarını büyük ölçüde azaltabilirler. Bu yazıda, Scikit-learn kullanarak makine öğrenim modelleri oluşturma sürecini anlattık ve birkaç örnek gösterdik. Artık, Scikit-learn'ü kullanarak kendi makine öğrenimi modellerinizi oluşturabilirsiniz.