Scikit-Learn ile Gözetimli Öğrenme

Gözetimli öğrenme, tahminlerde bulunmak veya veri noktalarını sınıflandırmak için etiketli verileri kullanarak bir modeli eğitmeyi içerir. Scikit-learn, gözetimli öğrenme modelleri uygulamak için kullanılan popüler bir Python kitaplığıdır.

Bu derste, Scikit-learn kullanarak gözetimli öğrenme modellerinin nasıl oluşturulacağını ve değerlendirileceğini öğreneceksiniz.

Gözetimli Öğrenme Nedir?

Gözetimli öğrenmede, her girdinin karşılık gelen bir çıktısının bulunduğu etiketli veriler kullanılır. Amaç, girdilerden çıktılara bir eşleme öğrenmektir.

Yaygın görevler şunlardır:

• Regresyon: Sürekli değerleri (örneğin ev fiyatlarını) tahmin etmek.
• Sınıflandırma: Kategorileri (örneğin bir e-postanın istenmeyen e-posta olup olmadığını) tahmin etmek.

Scikit-Learn'i Kurma

Scikit-learn paketini pip kullanarak yükleyin:

pip install scikit-learn

Kurulumdan sonra bu kitaplığı içe aktarabilir ve model oluşturmaya başlayabilirsiniz.

Doğrusal Regresyon

Doğrusal regresyon, sürekli değerleri tahmin etmek için kullanılır. Basit bir doğrusal regresyon modeli oluşturalım:

# Example: Linear Regression
from sklearn.linear_model import LinearRegression

# Sample data
X = [[1], [2], [3]]
y = [2, 4, 6]

model = LinearRegression()
model.fit(X, y)
print("Predicted value:", model.predict([[4]]))

Lojistik Regresyon

Lojistik regresyon, bir e-postanın istenmeyen e-posta olup olmadığını belirlemek gibi ikili sınıflandırma görevleri için kullanılır.

# Example: Logistic Regression
from sklearn.linear_model import LogisticRegression

# Sample data
X = [[1], [2], [3]]
y = [0, 0, 1]

model = LogisticRegression()
model.fit(X, y)
print("Predicted class:", model.predict([[1.5]]))

Karar Ağaçları

Karar ağaçları, hem regresyon hem de sınıflandırma görevlerini işleyebilen çok yönlü modellerdir. Basit bir karar ağacı sınıflandırıcısı oluşturalım:

# Example: Decision Tree Classifier
from sklearn.tree import DecisionTreeClassifier

# Sample data
X = [[1], [2], [3]]
y = [0, 1, 0]

model = DecisionTreeClassifier()
model.fit(X, y)
print("Predicted class:", model.predict([[2.5]]))

Modelleri Değerlendirme

Scikit-learn, model performansını değerlendirmek için ölçütler sağlar:

• Ortalama Kare Hata (MSE): Regresyon modelleri için.
• Doğruluk: Sınıflandırma modelleri için.

# Example: Evaluating a model
from sklearn.metrics import mean_squared_error

# Predictions
y_true = [2, 4, 6]
y_pred = [2.1, 3.9, 5.8]
print("MSE:", mean_squared_error(y_true, y_pred))

Eğitim-Sınama Ayrımı

Modelin daha önce görmediği verilerdeki performansını değerlendirmek için veri kümenizi her zaman eğitim ve sınama kümelerine ayırın:

# Example: Train-Test Split
from sklearn.model_selection import train_test_split

X = [[1], [2], [3], [4]]
y = [0, 1, 0, 1]

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.25)
print("Training data:", X_train)

Gözetimli Öğrenmede Yaygın Hatalar

Kaçınmanız gereken bazı hatalar şunlardır:

• Verileri eğitim ve sınama kümelerine ayırmamak.
• Aşırı karmaşık algoritmalar kullanarak modelin aşırı uyum göstermesine neden olmak.
• Eğitim için hatalı etiketlenmiş veriler kullanmak.

Ne Öğrendik?

Bu derste şunları öğrendiniz:

• Scikit-learn kullanarak regresyon ve sınıflandırma modellerinin nasıl oluşturulacağını.
• MSE ve doğruluk gibi ölçütleri kullanarak model performansının nasıl değerlendirileceğini.
• Verileri eğitim ve sınama kümelerine ayırmanın önemini.
• Gözetimli öğrenme görevlerinde kaçınılması gereken yaygın hataları.

Harika iş çıkardınız! Bir sonraki konuya geçelim.