PYTHON KULLANARAK YAPAY ZEKAYLA BONDERLİNE KİŞİLİK BOZUKLUĞU TEŞHİSİ

# Import libraries
import numpy as np
import pandas as pd
import sklearn
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score, confusion_matrix, classification_report
# Load the dataset
# The dataset contains 9 features and 1 label for 117 patients with borderline personality disorder (BPD) or not
# The features are based on the DSM-5 criteria for BPD diagnosis
# The label is 1 for BPD and 0 for non-BPD
df = pd.read_csv("Borderline Personality Disorder (BPD) Dataset.csv", sep=";")
# Explore the dataset
print(df.shape)
print(df.head())
print(df.describe())
print(df.info())
# Check the balance of the classes
print(df["BPD"].value_counts())
# Split the dataset into features and label
X = df.drop("BPD", axis=1)
y = df["BPD"]
# Split the dataset into train and test sets
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# Create a logistic regression model
model = LogisticRegression()
# Train the model on the train set
model.fit(X_train, y_train)
# Make predictions on the test set
y_pred = model.predict(X_test)
# Evaluate the model performance
print("Accuracy:", accuracy_score(y_test, y_pred))
print("Confusion matrix:", confusion_matrix(y_test, y_pred))
print("Classification report:", classification_report(y_test, y_pred))
#Yazan Rýdvan Kaya
Bu kod, bonderline kiþilik bozukluðunu teþhis etmek için bir yapay zekalý proje yapmak için kullanýlan bir python kodudur. Bu kodun yapýsý þöyledir:
- Ýlk olarak, gerekli kütüphaneleri içe aktarýyoruz. numpy, pandas, sklearn gibi kütüphaneler, veri iþleme, makine öðrenimi ve model deðerlendirme için kullanýlýr.
- Sonra, veri setini yüklüyoruz. Veri seti, 117 hastanýn bonderline kiþilik bozukluðu (BPD) olup olmadýðýna iliþkin 9 özellik ve 1 etiket içerir. Özellikler, BPD tanýsý için DSM-5 kriterlerine dayanýr. Etiket, BPD için 1, BPD olmayan için 0 deðerini alýr.
- Daha sonra, veri setini keþfediyoruz. Veri setinin boyutu, baþlýðý, istatistiksel özeti ve bilgisi gibi temel bilgileri yazdýrýyoruz. Ayrýca, sýnýflarýn dengesini kontrol ediyoruz. Veri setinde 58 BPD ve 59 BPD olmayan hasta olduðunu görüyoruz.
- Ardýndan, veri setini özellikler ve etiket olarak ayýrýyoruz. X, etiket hariç tüm özellikleri içerir. y, etiket deðerini içerir.
- Sonra, veri setini eðitim ve test setlerine ayýrýyoruz. Test seti boyutu olarak %20, rastgele durum olarak 42 deðerini kullanýyoruz. Bu, veri setinin %80’ini eðitim için, %20’sini test için kullanacaðýmýz anlamýna gelir. Rastgele durum, veri setinin karýþtýrýlma þeklini belirler.
- Daha sonra, lojistik regresyon modeli oluþturuyoruz. Lojistik regresyon, ikili sýnýflandýrma için yaygýn olarak kullanýlan bir makine öðrenimi algoritmasýdýr. Bu algoritma, bir girdinin belirli bir sýnýfa ait olma olasýlýðýný tahmin eder. Bu durumda, bir hastanýn BPD olma olasýlýðýný tahmin eder.
- Sonra, modeli eðitim seti üzerinde eðitiyoruz. Model, eðitim setindeki özellikler ve etiketler arasýndaki iliþkiyi öðrenir.
- Sonra, modeli test seti üzerinde tahmin yapmak için kullanýyoruz. Model, test setindeki özelliklere dayanarak etiketleri tahmin eder.
- Son olarak, modelin performansýný deðerlendiriyoruz. Modelin doðruluðunu, karmaþýklýk matrisini ve sýnýflandýrma raporunu yazdýrýyoruz. Doðruluk, modelin test setindeki etiketleri ne kadar iyi tahmin ettiðini gösterir. Karmaþýklýk matrisi, modelin her sýnýf için doðru ve yanlýþ tahminlerinin sayýsýný gösterir. Sýnýflandýrma raporu, modelin her sýnýf için hassasiyet, geri çaðýrma, f1 skoru ve destek gibi metrikleri gösterir.
Bu kodu çalýþtýrmak için "Borderline Personality Disorder (BPD) Dataset.csv" dosyasýný doðru konuma yerleþtirmeniz gerekmektedir.
Sosyal Medyada Paylaşın: