Bir Veri Setinden Ürün Tahmini Yapmak İçin Bir Makine Öğrenmesi Modeli Eğitmek
Kaya Ridvan
Bir Veri Setinden Ürün Tahmini Yapmak İçin Bir Makine Öğrenmesi Modeli Eğitmek
```python
# Ürün Tahmini
# Veri seti ve hedef deðiþken detaylarý
# Veri seti olarak ’urunler.csv’ dosyasý kullanýldý
# Hedef deðiþkenin adý ’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 eðitimi
model = LGBMRegressor()
model.fit(X_train, y_train)
# Çapraz doðrulama ile performans deðerlendirmesi
cv_scores = cross_val_score(model, X_train, y_train, cv=5)
print(f’Ortalama cv skoru: {cv_scores.mean()}’)
#Yazan Rýdvan Kaya
```
Bu kod parçasý, ‘urunler.csv’ adlý bir veri setini kullanarak bir ürün tahmini modeli eðitmeyi amaçlamaktadýr. Veri setindeki ‘target’ adlý deðiþken, tahmin edilmek istenen hedef deðiþkendir. Kod, veri setini pandas kütüphanesi ile okur, hedef deðiþkeni ayýrýr ve veriyi eðitim ve test kümelerine bölerek model için hazýrlar. Ardýndan, lightgbm kütüphanesinden LGBMRegressor adlý bir model nesnesi oluþturur ve eðitim verisi ile modeli eðitir. Son olarak, çapraz doðrulama yöntemi ile modelin performansýný deðerlendirir ve ortalama skorunu ekrana yazdýrýr.
Bu kodun görevi, bir veri setinden ürün tahmini yapmak için bir makine öðrenmesi modeli eðitmektir. Makine öðrenmesi, verilerden öðrenerek ve örüntüleri tanýyarak yapay zekâ uygulamalarý geliþtirmek için kullanýlan bir bilgisayar bilimi dalýdýr. Bu kod, lightgbm adlý bir kütüphaneyi kullanarak, verilerdeki özellikler ile hedef deðiþken arasýndaki iliþkiyi öðrenen ve yeni verilere tahminler üreten bir model oluþturur. Bu model, hýzlý, hafif ve yüksek performanslý bir modeldir. Bu kod, modelin performansýný ölçmek için çapraz doðrulama adý verilen bir yöntem kullanýr. Çapraz doðrulama, veriyi küçük parçalara bölerek, her parçayý sýrayla test verisi olarak kullanýr ve geri kalan verilerle modeli eðitir. Böylece, modelin farklý veri kümelerine ne kadar iyi uyum saðladýðý deðerlendirilir.
Bu kodu çalýþtýrmak için öncelikle Python programlama dilini bilgisayarýnýza yüklemeniz gerekiyor. Python, resmi web sitesinden indirilebilir veya paket yöneticisi aracýlýðýyla kurulabilir. Python’u yükledikten sonra, kodu yazdýðýnýz metin dosyasýný kaydedip terminalden çalýþtýrabilirsiniz. Örneðin, kodunuzun bulunduðu klasöre gidip þu komutu yazabilirsiniz:
`python randevu.py`
Bu komut, kodunuzu Python yorumlayýcýsý ile çalýþtýrýr ve ekrana çýktýsýný verir. Alternatif olarak, Visual Studio Code gibi bir geliþtirme ortamý kullanarak da kodunuzu çalýþtýrabilirsiniz. Visual Studio Code, Python kodlarýný yazmak, düzenlemek, hata ayýklamak ve çalýþtýrmak için kullanýþlý bir araçtýr. Visual Studio Code’u adresinden indirip kurabilirsiniz. Visual Studio Code’u kurduktan sonra, Python uzantýsýný da yüklemeniz gerekiyor. Python uzantýsý, Visual Studio Code’a Python desteði saðlar. Python uzantýsýný yükledikten sonra, kodunuzu Visual Studio Code ile açabilir ve çalýþtýrabilirsiniz.
Sosyal Medyada Paylaşın:
(c) Bu şiirin her türlü telif hakkı şairin kendisine ve/veya temsilcilerine aittir.