Python'da Doğrusal Regresyon Uygulama

Artık doğrusal regresyon kavramını anladığınıza göre, bunu Python kullanarak uygulayalım. Bu amaçla popüler scikit-learn kitaplığını kullanacağız.

1. Adım: Verileri Hazırlama

Öncelikle bir veri kümesi hazırlamamız gerekir. Bu örnekte, bir bağımsız değişken (x) ve bir bağımlı değişken (y) içeren basit bir veri kümesi kullanacağız.

Veriler şöyledir:

• x: 1, 2, 3, 4, 5
• y: 2, 4, 6, 8, 10

2. Adım: Gerekli Kitaplıkları İçe Aktarma

Aşağıdaki kitaplıkları içe aktarmamız gerekir:

• numpy: Sayısal hesaplamalar için.
• matplotlib: Görselleştirmeler için.
• scikit-learn: Makine öğrenmesi algoritmaları için.

import numpy as np
import matplotlib.pyplot as plt
from sklearn.linear_model import LinearRegression

3. Adım: Modeli Oluşturma

scikit-learn kitaplığındaki LinearRegression sınıfını kullanarak bir doğrusal regresyon modeli oluşturur ve modele verileri fit ederiz.

x = np.array([1, 2, 3, 4, 5]).reshape(-1, 1)
y = np.array([2, 4, 6, 8, 10])

model = LinearRegression()
model.fit(x, y)

4. Adım: Tahminler Yapma

Model eğitildikten sonra, onu tahmin yapmak için kullanabiliriz. Örneğin, x = 6 olduğunda y değerini tahmin edebiliriz.

prediction = model.predict(np.array([[6]]))
print(f"Predicted value for x=6: {prediction[0]}")

5. Adım: Sonuçları Görselleştirme

Modelin verilere ne kadar iyi fit olduğunu görmek için veri noktalarını ve regresyon doğrusunu plot edebiliriz.

plt.scatter(x, y, color='blue', label='Data points')
plt.plot(x, model.predict(x), color='red', label='Regression line')
plt.title('Linear Regression Visualization')
plt.xlabel('X')
plt.ylabel('Y')
plt.legend()
plt.show()

6. Adım: Modeli Değerlendirme

Modelin performansını R-kare gibi ölçütleri kullanarak değerlendiririz. R-kare, modelin verilerdeki değişkenliği ne kadar iyi açıkladığını ölçer.

r_squared = model.score(x, y)
print(f"R-squared value: {r_squared}")

Uygulamadaki Yaygın Zorluklar

Doğrusal regresyonu uygularken şu zorluklarla karşılaşabilirsiniz:

• Küçük veri kümelerinde aşırı öğrenme.
• Aykırı değerlere duyarlılık.
• Birden fazla değişkende çoklu doğrusal bağlantıyı ele alma.

Özet ve Sonraki Adımlar

Bu derste:

• scikit-learn kullanarak doğrusal regresyon uygulamayı öğrendik.
• Tahminler yaptık ve sonuçları görselleştirdik.
• Modeli R-kare kullanarak değerlendirdik.

Sonraki adımda, sınıflandırma problemleri için lojistik regresyon kavramını inceleyeceğiz.