Bir Veri Setinden Ürün Tahmini Yapmak İçin Bir Makine Öğrenmesi Modeli Eğitmek

• 4 Nisan 2024 Perşembe 04:37:15

Bir Veri Setinden Ürün Tahmini Yapmak İçin Bir Makine Öğrenmesi Modeli Eğitmek
python
# Ürün Tahmini
# Veri seti ve hedef değişken detayları
# Veri seti olarak ’urunler.csv’ dosyası kullanıldı
# Hedef değişkenin adı ’target’ olarak belirlendi
import pandas as pd
from sklearn.model_selection import train_test_split, cross_val_score
from lightgbm import LGBMRegressor
# Veri yükleme
veriler = pd.read_csv(’urunler.csv’)
X = veriler.drop(’target’, axis=1)
y = veriler[’target’]
X_train, X_test, y_train, y_test = train_test_split(X, y)
# Model eğitimi
model = LGBMRegressor()
model.fit(X_train, y_train)
# Çapraz doğrulama ile performans değerlendirmesi
cv_scores = cross_val_score(model, X_train, y_train, cv=5)
print(f’Ortalama cv skoru: {cv_scores.mean()}’)
#Yazan Rıdvan Kaya
Bu kod parçası, ‘urunler.csv’ adlı bir veri setini kullanarak bir ürün tahmini modeli eğitmeyi amaçlamaktadır. Veri setindeki ‘target’ adlı değişken, tahmin edilmek istenen hedef değişkendir. Kod, veri setini pandas kütüphanesi ile okur, hedef değişkeni ayırır ve veriyi eğitim ve test kümelerine bölerek model için hazırlar. Ardından, lightgbm kütüphanesinden LGBMRegressor adlı bir model nesnesi oluşturur ve eğitim verisi ile modeli eğitir. Son olarak, çapraz doğrulama yöntemi ile modelin performansını değerlendirir ve ortalama skorunu ekrana yazdırır.
Bu kodun görevi, bir veri setinden ürün tahmini yapmak için bir makine öğrenmesi modeli eğitmektir. Makine öğrenmesi, verilerden öğrenerek ve örüntüleri tanıyarak yapay zekâ uygulamaları geliştirmek için kullanılan bir bilgisayar bilimi dalıdır. Bu kod, lightgbm adlı bir kütüphaneyi kullanarak, verilerdeki özellikler ile hedef değişken arasındaki ilişkiyi öğrenen ve yeni verilere tahminler üreten bir model oluşturur. Bu model, hızlı, hafif ve yüksek performanslı bir modeldir. Bu kod, modelin performansını ölçmek için çapraz doğrulama adı verilen bir yöntem kullanır. Çapraz doğrulama, veriyi küçük parçalara bölerek, her parçayı sırayla test verisi olarak kullanır ve geri kalan verilerle modeli eğitir. Böylece, modelin farklı veri kümelerine ne kadar iyi uyum sağladığı değerlendirilir.
Bu kodu çalıştırmak için öncelikle Python programlama dilini bilgisayarınıza yüklemeniz gerekiyor. Python, resmi web sitesinden indirilebilir veya paket yöneticisi aracılığıyla kurulabilir. Python’u yükledikten sonra, kodu yazdığınız metin dosyasını kaydedip terminalden çalıştırabilirsiniz. Örneğin, kodunuzun bulunduğu klasöre gidip şu komutu yazabilirsiniz:
python randevu.py
Bu komut, kodunuzu Python yorumlayıcısı ile çalıştırır ve ekrana çıktısını verir. Alternatif olarak, Visual Studio Code gibi bir geliştirme ortamı kullanarak da kodunuzu çalıştırabilirsiniz. Visual Studio Code, Python kodlarını yazmak, düzenlemek, hata ayıklamak ve çalıştırmak için kullanışlı bir araçtır. Visual Studio Code’u indirip kurduktan sonra, Python uzantısını da yüklemeniz gerekiyor. Python uzantısı, Visual Studio Code’a Python desteği sağlar. Python uzantısını yükledikten sonra, kodunuzu Visual Studio Code ile açabilir ve çalıştırabilirsiniz.