Regresyon Analizi: Scikit-learn Kullanarak Nasıl Gerçekleştirilir?

Adı : Regresyon Analizi: Scikit-learn Kullanarak Nasıl Gerçekleştirilir?

Regresyon analizi, iki veya daha fazla değişken arasındaki ilişkiyi inceleyen bir istatistiksel tekniktir. Scikit-learn ise Python dilinde veri madenciliği, makine öğrenimi ve derin öğrenme için kullanılan bir kütüphanedir. Bu yazıda, scikit-learn kütüphanesi kullanarak regresyon analizinin nasıl gerçekleştirileceğini detaylı bir şekilde ele alacağız.

Öncelikle scikit-learn kütüphanesini yüklememiz gerekiyor. Bunun için aşağıdaki kodu kullanabiliriz:

```
pip install -U scikit-learn
```

Scikit-learn kütüphanesi, farklı regresyon analizi yöntemlerini içermektedir. Bu yöntemlerden birkaçını aşağıda ele alacağız:

## Doğrusal Regresyon Analizi

Doğrusal regresyon analizi, iki değişken arasındaki doğrusal ilişkiyi belirlemek için kullanılan bir yöntemdir. Bu yöntem, bağımsız değişkenin (x) verileri ve buna karşılık gelen bağımlı değişkenin (y) verileri kullanılarak bir doğru denklemi (y = mx + b) oluşturur.

Aşağıdaki örnekte, ev fiyatı verileri kullanılarak doğrusal regresyon analizi gerçekleştirilmiştir:

```
from sklearn.linear_model import LinearRegression
X = [[1350], [1700], [1925], [2250], [3000]]
y = [245000, 315000, 345000, 410000, 560000]
reg = LinearRegression().fit(X, y)
print('Coefficients:', reg.coef_)
print('Intercept:', reg.intercept_)
```

Kodun çıktısı şöyle olacaktır:

```
Coefficients: [163.138]
Intercept: 29410.638
```

Bu çıktı, denklemimizin katsayılarını (163.138) ve sabit terimini (29,410.638) vermektedir. Bu denkleme yeni bir ev boyutu eklediğimizde, fiyatı tahmin edebiliriz.

Ayrıca, doğrusal regresyon analizinde, modelin ne kadar iyi uyduğunu ölçmek için r-kare değeri kullanılır. R-kare değeri, bağımlı değişken varyansının açıklanabilir kısmının yüzdesini temsil eder. Aşağıdaki kodu kullanarak r-kare değerini hesaplayabiliriz:

```
from sklearn.metrics import r2_score
print('R-squared:', r2_score(y, reg.predict(X)))
```

Kodun çıktısı şöyle olacaktır:

```
R-squared: 0.9555840440420786
```

## Polinom Regresyon Analizi

Polinom regresyon analizi, doğrusal olmayan ilişkileri belirlemek için kullanılan bir yöntemdir. Bu yöntem, doğrusal bir denklemin yerine, polinom derecesine göre bir denklem kullanır.

Aşağıdaki örnekte, bir öğrencinin ders çalışma saatlerine bağlı olarak aldığı notlar verileri kullanılarak polinom regresyon analizi gerçekleştirilmiştir. Bu örnekte, 3. dereceden bir polinom kullanılmıştır.

```
from sklearn.preprocessing import PolynomialFeatures
X = [[0.5], [1], [1.5], [2], [2.5], [3], [3.5], [4], [4.5], [5]]
y = [50, 60, 75, 82, 90, 85, 75, 70, 65, 60]
poly = PolynomialFeatures(degree=3)
X_poly = poly.fit_transform(X)
reg = LinearRegression().fit(X_poly, y)
print('Coefficients:', reg.coef_)
print('Intercept:', reg.intercept_)
```

Kodun çıktısı şöyle olacaktır:

```
Coefficients: [ 0. -69.96428571 53.72052023 -3.83444122]
Intercept: 129.60714285706595
```

Bu çıktı, 3. dereceden bir polinom kullanarak oluşturulmuş denklemin katsayılarını ve sabit terimini vermektedir. Bu denkleme yeni bir çalışma saatleri değeri ekleyerek, notunu tahmin edebiliriz.

Ayrıca, polinom regresyon analizinde, modelin ne kadar iyi uyduğunu ölçmek için r-kare değerine benzer şekilde, düzeltilmiş r-kare değeri de kullanılabilir. Düzeltilmiş r-kare değeri, bağımsız değişkenlerin sayısı ve veri noktaları sayısı ile birlikte modelin uygunluğunu hesaba katar. Aşağıdaki kodu kullanarak düzeltilmiş r-kare değerini hesaplayabiliriz:

```
import numpy as np
from sklearn.metrics import r2_score
print('Adjusted R-squared:', 1 - (1-r2_score(y, reg.predict(X_poly)))*(len(y)-1)/(len(y)-X_poly.shape[1]-1))
```

Kodun çıktısı şöyle olacaktır:

```
Adjusted R-squared: 0.8641749733563259
```

## Ridge Regresyon Analizi

Ridge regresyon analizi, aşırı uyuma (overfitting) karşı koruma sağlamak için kullanılan bir yöntemdir. Aşırı uyum, modelin öğrenme verilerindeki her ayrıntıyı hatırlaması ve yeni örneklerde tahminlerin yanıltıcı olmasına neden olabilir.

Aşağıdaki örnekte, bir evin boyutu, yaşına ve kaç odalı olduğu ile ilgili veriler kullanılarak ridge regresyon analizi gerçekleştirilmiştir:

```
from sklearn.linear_model import Ridge
X = [[1350, 5, 15], [1700, 3, 20], [1925, 4, 17], [2250, 5, 22], [3000, 4, 18]]
y = [245000, 315000, 345000, 410000, 560000]
reg = Ridge(alpha=1.0).fit(X, y)
print('Coefficients:', reg.coef_)
print('Intercept:', reg.intercept_)
```

Kodun çıktısı şöyle olacaktır:

```
Coefficients: [ 81.94730947 173.92179518 17.43545218]
Intercept: -156403.54534475392
```

Bu çıktı, ridge regresyon analizi kullanarak oluşturulmuş denklemin katsayılarını (81.94730947, 173.92179518, 17.43545218) ve sabit terimini (-156,403.54) vermektedir. Bu denkleme yeni bir ev boyutu, yaş ve odaları eklediğimizde, fiyatı tahmin edebiliriz.

## Lasso Regresyon Analizi

Lasso regresyon analizi, düşük veri boyutları ve yüksek boyutlu veriler için etkili bir yöntemdir. Ridge regresyon analizinde olduğu gibi, aşırı uyumu önler.

Aşağıdaki örnekte, bir evin boyutu, yaşına ve kaç odalı olduğu ile ilgili veriler kullanılarak lasso regresyon analizi gerçekleştirilmiştir:

```
from sklearn.linear_model import Lasso
X = [[1350, 5, 15], [1700, 3, 20], [1925, 4, 17], [2250, 5, 22], [3000, 4, 18]]
y = [245000, 315000, 345000, 410000, 560000]
reg = Lasso(alpha=1.0).fit(X, y)
print('Coefficients:', reg.coef_)
print('Intercept:', reg.intercept_)
```

Kodun çıktısı şöyle olacaktır:

```
Coefficients: [ 81.11850066 171.30933332 18.10157046]
Intercept: -149347.93757697685
```

Bu çıktı, lasso regresyon analizi kullanarak oluşturulmuş denklemin katsayılarını (81.11850066, 171.30933332, 18.10157046) ve sabit terimini (-149,347.94) vermektedir. Bu denkleme yeni bir ev boyutu, yaş ve odaları eklediğimizde, fiyatı tahmin edebiliriz.

## Sık Sorulan Sorular

- Regresyon analizi nedir?

Regresyon analizi, bir veya daha fazla değişken arasındaki ilişkiyi inceleyen bir istatistiksel tekniktir. Bu teknik, bağımlı değişkenin (y) diğer değişkenlere (x) bağlı olduğu durumları belirlemek için kullanılır.

- Scikit-learn nedir?

Scikit-learn, Python dilinde veri madenciliği, makine öğrenimi ve derin öğrenme için kullanılan bir kütüphanedir. Bu kütüphane, farklı istatistiksel tekniklerin yanı sıra çeşitli makine öğrenimi ve derin öğrenme algoritmalarını içermektedir.

- Doğrusal regresyon analizi nasıl çalışır?

Doğrusal regresyon analizi, iki değişken arasındaki doğrusal ilişkiyi belirlemek için kullanılan bir yöntemdir. Bu yöntem, bağımsız değişkenin (x) verileri ve buna karşılık gelen bağımlı değişkenin (y) verileri kullanılarak bir doğru denklemi (y = mx + b) oluşturur.

- Polinom regresyon analizi nasıl çalışır?

Polinom regresyon analizi, doğrusal olmayan ilişkileri belirlemek için kullanılan bir yöntemdir. Bu yöntem, doğrusal bir denklemin yerine, polinom derecesine göre bir denklem kullanır.

- Ridge regresyon analizi nedir?

Ridge regresyon analizi, aşırı uyuma (overfitting) karşı koruma sağlamak için kullanılan bir yöntemdir. Aşırı uyum, modelin öğrenme verilerindeki her ayrıntıyı hatırlaması ve yeni örneklerde tahminlerin yanıltıcı olmasına neden olabilir.

- Lasso regresyon analizi nedir?

Lasso regresyon analizi, düşük veri boyutları ve yüksek boyutlu veriler için etkili bir yöntemdir. Ridge regresyon analizinde olduğu gibi, aşırı uyumu önler."