R'da Makine Öğrenmesine Giriş

Makine öğrenmesi, bilgisayarların verilerden örüntüleri öğrenmesini ve tahminler yapmasını sağlar. R, caret ve randomForest de dâhil olmak üzere makine öğrenmesi için birden çok kütüphane sunar.

Caret Paketini Yükleme

caret paketi, R'daki makine öğrenmesi iş akışlarını basitleştirir.

library(caret)
data(iris)

Verileri Eğitim ve Test Kümelerine Ayırma

Verileri ayırmak, eğitim ve test işlemlerinin ayrı gerçekleştirilmesini sağlayarak modelin doğru şekilde değerlendirilmesine yardımcı olur.

set.seed(123)
trainIndex <- createDataPartition(iris$Species, p=0.8, list=FALSE)
trainData <- iris[trainIndex,]
testData <- iris[-trainIndex,]

Karar Ağacı Modeli Oluşturma

Karar ağaçları, özellikleri karar noktalarında bölerek verileri sınıflandırır.

library(rpart)
model <- rpart(Species ~ ., data=trainData)
plot(model)
text(model)

Random Forest Modelini Eğitme

Random forest modelleri, birden çok modeli birleştirerek karar ağaçlarının performansını iyileştirir.

library(randomForest)
rf_model <- randomForest(Species ~ ., data=trainData)
print(rf_model)

Tahminler Yapma

Yeni veriler üzerinde tahminler yapmak için predict() kullanın.

predictions <- predict(rf_model, newdata=testData)

Model Doğruluğunu Değerlendirme

Doğruluk, modelin test verileri üzerinde ne kadar iyi performans gösterdiğini ölçer.

confusionMatrix(predictions, testData$Species)

Hiperparametre Ayarlama

Daha iyi performans elde etmek amacıyla model parametrelerini eniyilemek için train() kullanın.

tuned_model <- train(Species ~ ., data=trainData, method='rf', tuneLength=3)

Özet

Bu derste şunları öğrendiniz:

• Verilerin eğitim ve test kümelerine nasıl ayrılacağını.
• Karar ağacı ve random forest modellerinin nasıl oluşturulacağını.
• Model performansının nasıl değerlendirileceğini ve hiperparametrelerin nasıl ayarlanacağını.