PYTHONLA ŞİZOTİPAL KİŞİLİK BOZUKLUĞU TEŞHİSİ

python
# Kütüphaneleri içe aktar
import numpy as np
import pandas as pd
from sklearn.model_selection import train_test_split, cross_val_score
from sklearn.preprocessing import StandardScaler
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score, confusion_matrix, classification_report
# Veriyi yükle
veri = pd.read_csv("spq_spd_data.csv")
# Veri Ön Ýþleme
# Eksik deðerleri kontrol et
print("Eksik deðerler: ", veri.isnull().sum())
# Veriyi özellikler (X) ve etiketler (y) olarak ayýr
X = veri.iloc[:, :-1]
y = veri.iloc[:, -1]
# Özellikleri standartlaþtýr
scaler = StandardScaler()
X = scaler.fit_transform(X)
# Veriyi keþfet
# Gerekirse veri daðýlýmýný veya korelasyonu görselleþtir
# Veriyi eðitim ve test setlerine ayýr
X_egitim, X_test, y_egitim, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# Lojistik regresyon modeli oluþtur ve eðit
model = LogisticRegression(random_state=42, max_iter=1000)
# Çapraz doðrulama
cv_skorlari = cross_val_score(model, X_egitim, y_egitim, cv=5, scoring=’accuracy’)
print("Çapraz doðrulama skorlarý:", cv_skorlari)
print("Ortalama Çapraz Doðrulama doðruluðu:", np.mean(cv_skorlari))
# Test seti üzerinde tahmin yap
model.fit(X_egitim, y_egitim)
y_tahmin = model.predict(X_test)
# Model performansýný deðerlendir
print("Doðruluk:", accuracy_score(y_test, y_tahmin))
print("Karmaþýklýk matrisi: ", confusion_matrix(y_test, y_tahmin))
print("Sýnýflandýrma raporu: ", classification_report(y_test, y_tahmin))
#Yazan Rýdvan Kaya
Bu kod, þizotipal kiþilik bozukluðu (SPD) olan veya olma riski taþýyan kiþileri tespit etmek için kullanýlýr. SPD, gerçeklikten kopukluk, tuhaf davranýþlar, sosyal izolasyon ve þizofreniye benzer belirtiler gösteren bir kiþilik bozukluðudur. Bu kod, SPQ-C adlý bir anketi kullanarak kiþilerin SPD’ye yatkýnlýklarýný ölçer ve lojistik regresyon modeli ile sýnýflandýrýr. SPQ-C, çocuklar için geliþtirilmiþ bir öz bildirim anketidir ve 5 farklý faktör yapýsý test edilmiþtir. Bu kod, veri setini standartlaþtýrýr, çapraz doðrulama yapar, test seti üzerinde tahminler üretir ve model performansýný deðerlendirir. Veri seti, spq_spd_data.csv adlý bir dosyadan okunur. Bu dosya, GitHub’da bulunabilir.
Bu kod, spq_spd_data.csv adlý bir veri setini kullanarak lojistik regresyon modeli ile ikili sýnýflandýrma yapmayý amaçlayan bir Python kodudur. Kodun yaptýðý iþlemler þunlardýr:
- Kütüphaneleri içe aktar: Bu kod, numpy, pandas, sklearn gibi gerekli kütüphaneleri içe aktarmak için import komutunu kullanýr. Bu kütüphaneler, veri iþleme, model oluþturma, performans ölçme gibi iþlevleri saðlar.
- Veriyi yükle: Bu kod, pd.read_csv() fonksiyonu ile spq_spd_data.csv adlý veri setini okur ve veri deðiþkenine atar. Bu veri seti, 16 özellik ve 1 etiket içeren bir tablodur. Etiket, 0 veya 1 deðerleri alabilir.
- Veri Ön Ýþleme: Bu kod, veri setinde eksik deðer olup olmadýðýný kontrol eder ve veriyi özellikler (X) ve etiketler (y) olarak ayýrýr. Ayrýca, özellikleri standartlaþtýrmak için StandardScaler() sýnýfýný kullanýr. Standartlaþtýrma, verinin ortalamasýný 0 ve standart sapmasýný 1 yaparak ölçek sorunlarýný önlemeye yarar.
- Veriyi keþfet: Bu kod, veri daðýlýmýný veya korelasyonu görselleþtirmek için gerekirse grafik çizmeyi planlar. Ancak, bu kodda bu adým gerçekleþtirilmemiþtir.
- Veriyi eðitim ve test setlerine ayýr: Bu kod, train_test_split() fonksiyonu ile veriyi rastgele olarak eðitim ve test setlerine ayýrýr. Test setinin boyutu, verinin %20’si olarak belirlenmiþtir. Ayrýca, random_state parametresi ile rastgeleliði kontrol etmek için bir deðer verilmiþtir.
- Lojistik regresyon modeli oluþtur ve eðit: Bu kod, LogisticRegression() sýnýfý ile bir lojistik regresyon modeli oluþturur. Bu model, ikili sýnýflandýrma yapmak için kullanýlan bir makine öðrenmesi algoritmasýdýr. Modelin random_state ve max_iter parametreleri, rastgeleliði ve iterasyon sayýsýný belirlemek için verilmiþtir.
- Çapraz doðrulama: Bu kod, cross_val_score() fonksiyonu ile modelin eðitim setindeki performansýný ölçmek için çapraz doðrulama yapar. Çapraz doðrulama, veriyi k katlý olarak bölerek her seferinde bir katý test, diðerlerini eðitim olarak kullanýr ve modelin doðruluðunu hesaplar. Bu kodda, cv parametresi ile k deðeri 5 olarak verilmiþtir. Ayrýca, scoring parametresi ile doðruluk metriði seçilmiþtir. Sonuç olarak, modelin 5 farklý doðruluk skoru ve bunlarýn ortalamasý ekrana yazdýrýlýr.
- Test seti üzerinde tahmin yap: Bu kod, model.fit() fonksiyonu ile modeli eðitim seti ile eðitir ve model.predict() fonksiyonu ile test seti üzerinde tahmin yapar. Tahmin edilen etiketler, y_tahmin deðiþkenine kaydedilir.
- Model performansýný deðerlendir: Bu kod, modelin test seti üzerindeki performansýný deðerlendirmek için çeþitli metrikler kullanýr. Bunlar þunlardýr:
- Doðruluk: Bu metrik, modelin doðru tahmin ettiði örneklerin oranýný verir. accuracy_score() fonksiyonu ile hesaplanýr.
- Karmaþýklýk matrisi: Bu matris, modelin tahminlerinin gerçek etiketlerle karþýlaþtýrýlmasý sonucu oluþan dört farklý durumu gösterir. Bunlar, doðru pozitif (TP), yanlýþ pozitif (FP), doðru negatif (TN) ve yanlýþ negatif (FN) dir. confusion_matrix() fonksiyonu ile hesaplanýr.
- Sýnýflandýrma raporu: Bu rapor, modelin her sýnýf için hassasiyet, geri çaðýrma, f1 skoru ve destek deðerlerini verir. Ayrýca, modelin ortalama deðerlerini de içerir. classification_report() fonksiyonu ile hesaplanýr.
Kodun sonunda, yazan Rýdvan Kaya yazýsý vardýr. Bu, kodun sahibini veya kaynaðýný belirtmek için eklenmiþtir.
Sosyal Medyada Paylaşın: