Scikit learn

 Scikit-learn, Python'da kullanılan popüler bir makine öğrenimi kütüphanesidir. Veri madenciliği ve veri analitiği için bir dizi kullanışlı araç ve algoritma sunar. İşte scikit-learn kütüphanesi ile yapabileceğiniz bazı örnek uygulama kodları:

Örnek 1: Veri kümesini eğitim ve test olarak ayırma (Train-Test Split)

from sklearn.model_selection import train_test_split

from sklearn.datasets import load_iris

# Iris veri kümesini yükleme

iris = load_iris()

# Özellik matrisi (X) ve hedef değişken vektörünü (y) ayırma

X = iris.data

y = iris.target

# Veri kümesini eğitim ve test olarak ayırma

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# Eğitim ve test veri kümesinin boyutlarını kontrol etme

print("Eğitim veri kümesi boyutu:", X_train.shape)

print("Test veri kümesi boyutu:", X_test.shape)

Örnek 2: Destek Vektör Makineleri (Support Vector Machines - SVM) sınıflandırma modeli

from sklearn import svm

from sklearn.datasets import load_iris

from sklearn.model_selection import train_test_split

from sklearn.metrics import accuracy_score

# Iris veri kümesini yükleme

iris = load_iris()

# Özellik matrisi (X) ve hedef değişken vektörünü (y) ayırma

X = iris.data

y = iris.target

# Veri kümesini eğitim ve test olarak ayırma

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# SVM sınıflandırma modelini oluşturma ve eğitme

clf = svm.SVC()

clf.fit(X_train, y_train)

# Test veri kümesi üzerinde tahmin yapma

y_pred = clf.predict(X_test)

# Doğruluk değerini hesaplama

accuracy = accuracy_score(y_test, y_pred)

print("Doğruluk:", accuracy)

Örnek 3: K-En Yakın Komşu (K-Nearest Neighbors - KNN) sınıflandırma modeli

from sklearn.neighbors import KNeighborsClassifier

from sklearn.datasets import load_iris

from sklearn.model_selection import train_test_split

from sklearn.metrics import accuracy_score

# Iris veri kümesini yükleme

iris = load_iris()

# Özellik matrisi (X) ve hedef değişken vektörünü (y) ayırma

X = iris.data

y = iris.target

# Veri kümesini eğitim ve test olarak ayırma

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# KNN sınıflandırma modelini oluşturma ve eğitme

clf = KNeighborsClassifier(n_neighbors=3)

clf.fit(X_train, y_train