Eniyileme Teknikleri: Scikit-learn Kullanarak Nasıl Gerçekleştirilir?

Adı : Eniyileme Teknikleri: Scikit-learn Kullanarak Nasıl Gerçekleştirilir?

Eniyileme teknikleri, makine öğrenmesinin temel aşamalarından biridir. Bu teknikler sayesinde modelin performansı arttırılır ve veri setindeki doğru sonuçları elde etmek için daha az hata yapılır. Bu yazıda, scikit-learn kütüphanesini kullanarak eniyileme teknikleri hakkında detaylı bilgi edineceksiniz.

Scikit-learn, Python programlama dilinde makine öğrenmesi için kullanılan bir kütüphanedir. Bu kütüphane, ücretsiz ve açık kaynak kodlu bir şekilde sunulmakta ve pek çok eniyileme tekniği için fonksiyonlar sağlamaktadır.

Scikit-learn Kullanarak Eniyileme Teknikleri

1. Grid Search

Grid search, eniyileme teknikleri arasında en sık kullanılan yöntemdir. Bu yöntem, önceden belirlenmiş bir hiperparametre kümesini deneyerek en iyi sonucu elde eder. Grid search, hiperparametrelerin optimal değerlerini belirlemek için etkili bir yoldur.

Örneğin, bir Sınıflandırma modeli için eniyileme yapmak istediğinizi varsayalım. Grid search kullanarak, farklı hiperparametre değerleriyle bir model oluşturabilir ve performansını değerlendirebilirsiniz. Aşağıdaki kod örneği, Grid search kullanarak bir sınıflandırma modeli için en iyi hiperparametreleri belirlemektedir.

```python
from sklearn.model_selection import GridSearchCV
from sklearn.tree import DecisionTreeClassifier
from sklearn.datasets import load_iris

iris = load_iris()
X = iris.data
y = iris.target

clf = DecisionTreeClassifier()
param_grid = {'max_depth': [2,4,6,8], 'min_samples_leaf': [2,4,6,8]}
grid_search = GridSearchCV(clf, param_grid=param_grid, cv=5)
grid_search.fit(X, y)
print(grid_search.best_params_)
```
Bu örnekte, DecisionTreeClassifier modeli için Grid search kullanarak en iyi hiperparametreleri bulduk.

2. Random Search

Random search, hiperparametrelerin optimal değerlerini belirlemek için Grid search'den farklı bir yöntemdir. Bu yöntem, hiperparametrelerin rastgele seçilmesiyle en iyi sonuca ulaşan hiperparametreleri bulur.

Örneğin, yine bir sınıflandırma modeli üzerinde çalışalım. Random search, farklı hiperparametre değerlerini rastgele seçerek en iyi sonucu elde edecektir. Aşağıdaki kod örneği, Random search kullanarak bir sınıflandırma modeli için en iyi hiperparametreleri belirlemektedir.

```python
from sklearn.model_selection import RandomizedSearchCV
from sklearn.ensemble import RandomForestClassifier
from sklearn.datasets import load_iris
import numpy as np

iris = load_iris()
X = iris.data
y = iris.target

clf = RandomForestClassifier(n_estimators=20)
param_dist = {'max_depth': [2,4,6,8], 'max_features': ['auto', 'sqrt', 'log2'], 'min_samples_split': np.arange(2, 10)}
random_search = RandomizedSearchCV(clf, param_distributions=param_dist, n_iter=20, cv=5)
random_search.fit(X, y)
print(random_search.best_params_)
```

3. Ensemble Learning

Ensemble Learning, birkaç uygun modelin birleştirilmesiyle daha iyi bir sonuç elde etmek için kullanılır. Bu tekniği kullanarak, yanlış sınıflandırılan örneklerin azaltılması sağlanır ve daha iyi bir doğruluk elde edilir.

Örneğin, bir sınıflandırma problemi için Ensemble Learning yöntemlerinden Bagging ve Boosting kullanabilirsiniz. Bagging, bir veri seti üzerinde birden fazla öğrenme algoritması kullanarak bir tahmin modeli oluştururken Boosting, bir öğrenme algoritmasının verimliliğini arttırmak için çoğunluk oylaması ile birden fazla modeli birleştirir.

```python
from sklearn.datasets import load_iris
from sklearn.ensemble import GradientBoostingClassifier
from sklearn.ensemble import BaggingClassifier
from sklearn.tree import DecisionTreeClassifier

iris = load_iris()
X = iris.data
y = iris.target

bagging_classifier = BaggingClassifier(DecisionTreeClassifier(), max_samples=0.5, max_features=0.5)
boosting_classifier = GradientBoostingClassifier(n_estimators=100, learning_rate=.1, max_depth=1)

bagging_classifier.fit(X, y)
boosting_classifier.fit(X, y)
```

Sık Sorulan Sorular

1. Grid search ve Random search arasındaki fark nedir?

Grid search, hiperparametrelerin belirli değerler kümesi üzerinden değerlendirilmesini sağlar. Bu yöntem, tüm hiperparametrelerin tüm değerlerini deneyerek en iyi kombinasyonu bulur. Random search ise, hiperparametrelerin rastgele bir düzenlemesi kullanarak en iyiyi bulur.

2. Ensemble Learning, neden önemlidir?

Ensemble Learning, birden fazla algoritma ve modelin birleştirilmesiyle daha yüksek bir tahmin doğruluğu sağlar. Bu yöntem, tek bir modelin doğruluğuna göre daha iyi sonuçlar verir ve hata oranını minimize eder."