Python'da Lojistik Regresyon Uygulama

Bu derste, scikit-learn kitaplığını kullanarak lojistik regresyonu uygulayacağız. İkili bir sınıflandırma veri kümesiyle çalışacağız.

1. Adım: Kitaplıkları ve Veri Kümesini İçe Aktarma

Gerekli kitaplıkları içe aktararak ve bir veri kümesi yükleyerek başlayacağız. Basitlik açısından, ikili bir sınıflandırma veri kümesi oluşturmak için scikit-learn'deki make_classification işlevini kullanacağız.

from sklearn.datasets import make_classification
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score

# Generate dataset
X, y = make_classification(n_samples=100, n_features=2, n_classes=2, random_state=42)

# Split into train and test sets
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

2. Adım: Lojistik Regresyon Modelini Oluşturma

Modeli oluşturmak ve eğitmek için scikit-learn'deki LogisticRegression sınıfını kullanırız.

model = LogisticRegression()
model.fit(X_train, y_train)

3. Adım: Tahminlerde Bulunma

Model eğitildikten sonra onu sınama verileri üzerinde tahminlerde bulunmak için kullanırız.

y_pred = model.predict(X_test)

4. Adım: Modeli Değerlendirme

Modelin performansını ölçüt olarak doğruluğu kullanarak değerlendiririz.

accuracy = accuracy_score(y_test, y_pred)
print(f"Model Accuracy: {accuracy:.2f}")

5. Adım: Karar Sınırlarını Görselleştirme

Modelin performansını daha iyi anlamak için karar sınırlarını görselleştiririz.

import matplotlib.pyplot as plt
import numpy as np

# Define grid for plotting
def plot_decision_boundary(X, y, model):
    x_min, x_max = X[:, 0].min() - 1, X[:, 0].max() + 1
    y_min, y_max = X[:, 1].min() - 1, X[:, 1].max() + 1
    xx, yy = np.meshgrid(np.arange(x_min, x_max, 0.1), np.arange(y_min, y_max, 0.1))

    Z = model.predict(np.c_[xx.ravel(), yy.ravel()])
    Z = Z.reshape(xx.shape)
    
    plt.contourf(xx, yy, Z, alpha=0.8)
    plt.scatter(X[:, 0], X[:, 1], c=y, edgecolor='k')
    plt.title('Decision Boundary')
    plt.show()

plot_decision_boundary(X, y, model)

6. Adım: Modeli Ayarlama

Düzenlileştirme gücünü denetleyen C gibi hiperparametreleri ayarlayarak modelin performansını artırabiliriz.

model = LogisticRegression(C=0.5)
model.fit(X_train, y_train)

Lojistik Regresyondaki Zorluklar

Zorluklar şunları içerir:

• Dengesiz veri kümelerini ele almak.
• Yüksek korelasyona sahip özelliklerle çalışmak.
• Etkili tahminler için yeterli eğitim verisi olduğundan emin olmak.

Özet ve Sonraki Adımlar

Bu derste:

• scikit-learn kullanarak lojistik regresyon uyguladık.
• Tahminler yaptık ve modeli değerlendirdik.
• Karar sınırlarını görselleştirdik.

Sonraki adımda, F1 skoru, kesinlik ve duyarlılık gibi ölçütleri kullanarak model performansını nasıl değerlendireceğimizi inceleyeceğiz.