Machine Learning Tahmin (Prediction) Metotları

Mart 01, 2021

machineLearningPredictionCode

Machine Learning Tahmin (Prediction) Metotları

Makine öğrenmesi tahmin algoritmaları İçin Kullanılabilecek Python Şablonu

Libraries - Kütüphaneler


xxxxxxxxxx
    
    
    
    
        
            
            
            # Linear Regression Library - Doğrusal Regresyon Kütüphanesi
        
        from sklearn.linear_model import LinearRegression
        
        # P value Library - P degeri Kütüphanesi
        import statsmodels.api as sm
        
        # R_Square value Library - R2 (kare) değeri Kütüphanesi
        from sklearn.metrics import r2_score
        
        # Polynomial Regression Library - Polinom Regresyon Kütüphanesi
        from sklearn.preprocessing import PolynomialFeatures
        
        # Data Scaler Library - Veri Ölçekleme Kütüphanesi
        from sklearn.preprocessing import StandardScaler
        
        # Support Vector Regression Library - Destek Vektör Regresyon Kütüphanesi
        from sklearn.svm import SVR
        
        # Decision Tree Regression Library - Karar Ağacı Regrasyon Kütüphanesi
        from sklearn.tree import DecisionTreeRegressor
        
        # Random Forest Regression Library - Rassal Orman Regresyon Kütüphanesi
        from sklearn.ensemble import RandomForestRegressor
        
        # NumPy, Python programlama dili için bir kütüphane olup, büyük, çok boyutlu diziler ve matrisler icin destek eklerken, bu dizilerde çalışmak için yüksek düzeyli matematiksel fonksiyonların geniş bir koleksiyonudur.
        import numpy as np
        
        # Matplotlib, Python programlama dili ve onun sayısal matematik uzantısı NumPy için bir çizim kitapliğidir.
        import matplotlib.pyplot as plt
        
        # pandas, veri işlemesi ve analizi için Python programlama dilinde yazilmiş olan bir yazılım kütüphanesidir. Bu kütüphane temel olarak zaman etiketli serileri ve sayısal tabloları işlemek için bir veri yapısı oluşturur ve bu şekilde çesitli işlemler bu veri yapısı üzerinde gerçekleştirilebilir olur.
        import pandas as pd

Not:

NumPy ve Pandas kütüphanelerini veriyi işlemek ve hafızada yönlendirmek için kullanıyoruz (dataFrame gibi sınıflar için).
Sklearn (Scikit-learn): Python programlama dili için ücretsiz bir yazılım makinesi öğrenme kütüphanesidir.

Data Loading - Veri Yükleme


xxxxxxxxxx
    
    
    
    
        
            
            
            # Data Loading - Veri Yükleme
        
        veriler = pd.read_csv('veri_kümesi.csv')
        
        # Data Frame - Veri Çercevesi / Slice - Dilimleme
        x = veriler.iloc[:, 1:2]
        y = veriler.iloc[:, 2:]
        
        # NumPY, Array Conversion - Dizi Dönüşümü
        X = x.values
        Y = y.values

Veri yükleme aşamasında, verinin yükleneceği dosyanın yanında, bağımlı ve bağımsız değişkenleri içeren iki ayrı kolon oluşturulmalıdır. Ayrıca X ve Y değişkenleri de NumPy dizisi olarak bu dataFrame'lerden '.values' ile verilerini alır.


xxxxxxxxxx
    
    
    
    
        
            
            
            # Correlation Matrix - Korelasyon Matrisi, Kolonların Birbiri İle Olan ilişkisi
        
        print("Correlation Matrix")
        print(veriler.corr())

Veriler üzerinde karar verirken, kullanılacak önemli ön işleme aşamalarından birsidir, bu matris ile kolonların birbiri ile olan ilişkisi görülebilir.

Linear Regression - Doğrusal Regresyon


xxxxxxxxxx
    
    
    
    
        
            
            
            # * Linear Regression - Doğrusal Regresyon
        
        print("Linear Regression - Doğrusal Regresyon:")
        
        # Creating Model - Model Oluşturma
        lin_reg_for_LR = LinearRegression()
        lin_reg_for_LR.fit(X, Y)
        
        # P value - P değeri
        p_value_for_LR = sm.OLS(lin_reg_for_LR.predict(X), X)
        print(" > Linear Regression P value;")
        print(p_value_for_LR.fit().summary())
        
        # R_Square Value - R2 (R Kare) Değeri
        r_square_value_for_LR = r2_score(Y, lin_reg_for_LR.predict(X))
        print(" > Linear Regression R_Square Value;")
        print(r_square_value_for_LR)
        
        # Visualization - Görselleştirme
        plt.scatter(X, Y, color='blue')
        plt.plot(X, lin_reg_for_LR.predict(X), color='red')
        plt.title("For Linear Regression")
        plt.show()
        
        # Predictions - Tahminler
        print(" > Linear Regression Predictions;")
        print(lin_reg_for_LR.predict([[11]]))
        print(lin_reg_for_LR.predict([[6.6]]))

Burada doğrusal regresyon (Linear Regression) üzerinden X ve Y dizileri verilerek bir makine öğrenmesi algoritması eğitilmiş, oluşan model daha sonra OLS ve r2_score fonksiyonları ile ölçülmüş ve modelin ne kadar başarılı tahmin yaptığı ölçülmüştür.

Verileri daha rahat görmek için 'matplotlib.pyplot' yardımıyla görselleştirme yapılmıştır.

Not: fit() fonksiyonu ile eğitir, predict() fonksiyonu ile tahminde bulunmasını sağlarız.

Polynomial Regression - Polinom Regresyon


xxxxxxxxxx
    
    
    
    
        
            
            
            # * Polynomial Regression - Doğrusal Olmayan (nonLinear)/Polinom Regresyon
        
        print("Polynomial Regression - Polinom Regresyon:")
        
        # 4th Degree/Fourth Degree Polynomial - 4. Dereceden Polinom
        print(" > 4th Degree Model")
        
        # Creating Model - Model Oluşturma
        poly_reg = PolynomialFeatures(degree=4)
        x_poly = poly_reg.fit_transform(X)
        lin_reg_for_PR = LinearRegression()
        lin_reg_for_PR.fit(x_poly, Y)
        
        # P value - P değeri
        p_value_for_PR = sm.OLS(lin_reg_for_PR.predict( poly_reg.fit_transform(X)), X)
        print(" > Polynomial Regression P value;")
        print(p_value_for_PR.fit().summary())
        
        # R_Square Value - R2 (R Kare) Değeri
        r_square_value_for_PR = r2_score( Y, lin_reg_for_PR.predict(poly_reg.fit_transform(X)))
        print(" > Polynomial Regression R_Square Value;")
        print(r_square_value_for_PR)
        
        # Visualization - Görselleştirme
        plt.scatter(X, Y)
        plt.plot(X, lin_reg_for_PR.predict( poly_reg.fit_transform(X)), color='red')
        plt.title("For Polynomial Regression")
        plt.show()
        
        # Predictions - Tahminler
        print(" > Polynomial Regression Predictions;")
        print(lin_reg_for_PR.predict( poly_reg.fit_transform([[11]])))
        print(lin_reg_for_PR.predict( poly_reg.fit_transform([[6.6]])))

Polynomial regression yöntemi, Linear Regression yöntemine çok benzer. Aradaki fark, verilerin doğrusal regresyona verilmeden önce bir polinom öznitelik fonksiyonuna verilmesidir. bu işlem yukarıdaki kodda da görüldüğü üzere, 'PolynomialFeatures' nesnesi üzerinden yapılmaktadır.

Support Vector Regression (SVR) - Destek Vektör Regresyonu


xxxxxxxxxx
    
    
    
    
        
            
            
            # * Support Vector Regression (SVR) - Destek Vektör Regresyonu
        
        print("Support Vector Regression (SVR) - Destek Vektör Regresyonu:")
        
        # Data Scaler - Verilerin Ölçeklenmesi
        sc1 = StandardScaler()
        x_olcekli = sc1.fit_transform(X)
        sc2 = StandardScaler()
        y_olcekli = np.ravel(sc2.fit_transform(Y.reshape(-1, 1)))
        
        # Creating Model - Model Oluşturma
        svr_reg = SVR(kernel="rbf")
        svr_reg.fit(x_olcekli, y_olcekli)
        
        # P value - P değeri
        p_value_for_SVR = sm.OLS(svr_reg.predict(x_olcekli), x_olcekli)
        print(" > Support Vector Regression P value;")
        print(p_value_for_SVR.fit().summary())
        
        # R_Square Value - R2 (R Kare) Değeri
        r_square_value_for_SVR = r2_score(y_olcekli, svr_reg.predict(x_olcekli))
        print(" > Support Vector Regression R_Square Value;")
        print(r_square_value_for_SVR)
        
        # Visualization - Görselleştirme
        plt.scatter(x_olcekli, y_olcekli)
        plt.plot(x_olcekli, svr_reg.predict(x_olcekli), color="red")
        plt.title("For Support Vector Regression")
        plt.show()
        
        # Predictions - Tahminler
        print(" > Support Vector Regression Predictions;")
        print(svr_reg.predict([[11]]))
        print(svr_reg.predict([[6.6]]))

Destek vektör regresyonunun en önemli özelliği, marjinal verilere karşı hassas olmasıdır. Bu yüzden, öncelikle standartlaştırma yapılması gerekir. Yukarıdaki kodda, 'StandardScaler' sınıfı sayesinde hem X hem de Y dizileri ölçeklenmiştir. Ardından 'SVR' sınıfından 'rbf' çekirdeği (kernel) ile oluşturulan svr_reg isimli nesne ile tahmin modeli oluşturulmuştur.

Decision Tree Regression - Karar Ağacı Regresyonu


xxxxxxxxxx
    
    
    
    
        
            
            
            # * Decision Tree Regression - Karar Ağacı Regresyonu
        
        print("Decision Tree Regression - Karar Ağacı Regresyonu:")
        
        # Creating Model - Model Oluşturma
        dt_reg = DecisionTreeRegressor(random_state=0)
        dt_reg.fit(X, Y)
        
        # P value - P değeri
        p_value_for_DT = sm.OLS(dt_reg.predict(X), X)
        print(" > Decision Tree Regression P value;")
        print(p_value_for_DT.fit().summary())
        
        # R_Square Value - R2 (R Kare) Değeri
        r_square_value_for_DT = r2_score(Y, dt_reg.predict(X))
        print(" > Decision Tree Regression R_Square Value;")
        print(r_square_value_for_DT)
        
        # Visualization - Görselleştirme
        plt.scatter(X, Y)
        plt.plot(X, dt_reg.predict(X), color="red")
        plt.title("For Decision Tree Regression")
        plt.show()
        
        # Predictions - Tahminler
        print(" > Decision Tree Regression Predictions;")
        print(dt_reg.predict([[11]]))
        print(dt_reg.predict([[6.6]]))

'DecisionTreeRegressor' sınıfı ile oluşturulan dt_reg isimli nesne ile tahmin modeli oluşturulmuştur.

Random Forest Regression - Rassal Orman Regresyonu


xxxxxxxxxx
    
    
    
    
        
            
            
            # * Random Forest Regression - Rassal Orman Regresyonu
        
        print("Random Forest Regression - Rassal Orman Regresyonu:")
        
        # Creating Model - Model Oluşturma
        rf_reg = RandomForestRegressor(n_estimators=10, random_state=0)
        rf_reg.fit(X, Y)
        
        # P value - P değeri
        p_value_for_RFR = sm.OLS(rf_reg.predict(X), X)
        print(" > Random Forest Regression P value;")
        print(p_value_for_RFR.fit().summary())
        
        # R_Square Value - R2 (R Kare) Değeri
        r_square_value_for_RFR = r2_score(Y, rf_reg.predict(X))
        print(" > Random Forest Regression R_Square Value;")
        print(r_square_value_for_RFR)
        
        # Visualization - Görselleştirme
        plt.scatter(X, Y)
        plt.plot(X, rf_reg.predict(X), color="red")
        plt.title("For Random Forest Regression")
        plt.show()
        
        # Predictions - Tahminler
        print(" > Random Forest Regression Predictions;")
        print(rf_reg.predict([[11]]))
        print(rf_reg.predict([[6.6]]))

Alt yapısında karar ağacı kullanan rassal ormanlar (Random Forest), 'RandomForestRegressor' sınıfından üretilmiş nesne ile fit() ve predict() metotlarını kullanarak makine öğrenmesini gerçekleştirir.

Bu Blogda Ara

Ahmet Tayyip Blog