ALERJİ TESTİ VERİLERİNİ KULLANARAK BİR YAPAY ZEKA MODELİ GELİŞTİRMEK
import tensorflow as tf
from tensorflow import keras
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score, confusion_matrix, classification_report
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
data = pd.read_csv("alerji_testi.csv")
data.head()
X = data.drop("alerji", axis=1)
y = data["alerji"]
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
model = keras.Sequential([
keras.layers.Dense(5, input_shape=(5,)),
keras.layers.Dense(16, activation="relu"),
keras.layers.Dense(1, activation="sigmoid")
])
model.compile(loss="binary_crossentropy", optimizer="adam", metrics=["accuracy"])
model.fit(X_train, y_train, epochs=10, batch_size=32)
# Tahminleri doğrudan ham olasılıklar olarak alın
predictions = (model.predict(X_test) > 0.5).astype("int32")
# Sınıflandırma raporu
cr = classification_report(y_test, predictions)
print(cr)
# Karışıklık matrisi
cm = confusion_matrix(y_test, predictions)
sns.heatmap(cm, annot=True, fmt="d")
plt.xlabel("Tahmin Edilen")
plt.ylabel("Gerçek")
plt.show()
# Diğer metrikleri hesapla
loss, accuracy = model.evaluate(X_test, y_test)
print("Loss:", loss)
print("Accuracy:", accuracy)
#Yazan Rıdvan Kaya
Bu kod, alerji testi verilerini kullanarak bir yapay sinir ağı modeli oluşturmak ve test etmek için yazılmıştır. Kodun yaptığı işlemleri adım adım açıklamaya çalışacağım:
- İlk olarak, gerekli kütüphaneleri içe aktarıyoruz. "TensorFlow" ve "Keras", yapay sinir ağları oluşturmak ve eğitmek için kullanılan popüler Python kütüphaneleridir. "Scikit-learn", veri bölme, model değerlendirme ve metrik hesaplama gibi makine öğrenimi görevleri için kullanılan bir Python kütüphanesidir. "Pandas", veri manipülasyonu ve analizi için kullanılan bir Python kütüphanesidir. "NumPy", bilimsel hesaplama için kullanılan bir Python kütüphanesidir. "Matplotlib" ve "Seaborn", veri görselleştirme için kullanılan Python kütüphaneleridir.
- Sonra, alerji testi verilerini bir CSV dosyasından okuyoruz ve ilk beş satırını görüntülüyoruz. Bu veri seti, beş girdi özelliği ("yaş, cinsiyet, kilo, boy, kan grubu") ve bir çıktı etiketi (’alerji") içerir. Alerji, 0 veya 1 olarak kodlanmıştır. 0, alerjisi olmayan kişileri, 1 ise alerjisi olan kişileri temsil eder.
- Daha sonra, veri setini girdi ve çıktı olarak ayırıyoruz. Girdi, "X" değişkenine, çıktı ise "y" değişkenine atanır. Alerji sütununu veri setinden çıkarıyoruz, çünkü bu bizim tahmin etmek istediğimiz etiketimizdir.
- Ardından, veri setini eğitim ve test olarak ikiye bölüyoruz. Eğitim verileri, modeli eğitmek için kullanılır. Test verileri ise modelin performansını değerlendirmek için kullanılır. Test verilerinin boyutunu %20 olarak belirliyoruz ve rastgele durumu 42 olarak ayarlıyoruz. Bu, veri bölümünün her seferinde aynı olmasını sağlar.
- Sonra, yapay sinir ağı modelimizi oluşturuyoruz. Modelimiz, üç katmandan oluşur. İlk katman, girdi katmanıdır ve beş nöron içerir. Girdi katmanı, veri setimizdeki beş özelliği alır. İkinci katman, gizli katmandır ve 16 nöron içerir. Gizli katman, girdi katmanından gelen bilgileri işler ve aktivasyon fonksiyonu olarak "relu" kullanır. Relu, doğrusal olmayan bir fonksiyondur ve nöronun çıktısını sıfır veya pozitif olarak belirler. Üçüncü katman, çıktı katmanıdır ve bir nöron içerir. Çıktı katmanı, modelin tahminini üretir ve aktivasyon fonksiyonu olarak "sigmoid" kullanır. Sigmoid, 0 ile 1 arasında bir değer döndüren bir fonksiyondur. Bu değer, alerji olasılığını temsil eder.
- Daha sonra, modelimizi derliyoruz. Derleme, modelin nasıl eğitileceğini ve değerlendirileceğini belirler. Kayıp fonksiyonu olarak "binary_crossentropy" kullanıyoruz. Binary_crossentropy, ikili sınıflandırma problemleri için uygun bir kayıp fonksiyonudur ve modelin tahminleri ile gerçek etiketler arasındaki farkı ölçer. Optimizasyon algoritması olarak "adam" kullanıyoruz. Adam, modelin ağırlıklarını güncellemek için kullanılan etkili bir optimizasyon algoritmasıdır. Metrik olarak "accuracy" kullanıyoruz. Accuracy, modelin doğru tahmin ettiği örneklerin yüzdesini verir.
- Ardından, modelimizi eğitiyoruz. Eğitim, modelin verilerden öğrenmesini sağlar. Eğitim verilerini ve etiketlerini modelimize veriyoruz. Epoch sayısını 10 olarak belirliyoruz. Epoch, veri setinin tamamının model tarafından kaç kez işlendiğini gösterir. Küme boyutunu 32 olarak belirliyoruz. Küme boyutu, modelin her adımda kaç örnek aldığını gösterir.
- Sonra, modelimizi test ediyoruz. Test, modelin görmediği veriler üzerinde nasıl performans gösterdiğini ölçer. Test verilerini modelimize veriyoruz ve tahminleri alıyoruz. Tahminleri doğrudan ham olasılıklar olarak alıyoruz ve 0.5’ten büyük olanları 1, küçük olanları 0 olarak kodluyoruz. Bu şekilde, tahminleri ikili etiketlere dönüştürmüş oluyoruz.
- Daha sonra, modelimizin performansını değerlendiriyoruz. Modelimizin performansını değerlendirmek için çeşitli metrikler kullanıyoruz. Bunlardan bazıları şunlardır:
- Sınıflandırma raporu: Bu rapor, modelin her sınıf için doğruluk, hassasiyet, hatırlama ve F1 skoru gibi metrikleri verir. Doğruluk, modelin doğru tahmin ettiği örneklerin yüzdesidir. Hassasiyet, modelin bir sınıfı doğru tahmin etme olasılığıdır. Hatırlama, modelin bir sınıfı kaçırmadan tahmin etme olasılığıdır. F1 skoru, hassasiyet ve hatırlamanın harmonik ortalamasıdır. Sınıflandırma raporunu ekrana yazdırıyoruz.
- Karışıklık matrisi: Bu matris, modelin her sınıf için doğru ve yanlış tahminlerini gösterir. Karışıklık matrisini bir ısı haritası olarak çiziyoruz ve değerleri gösteriyoruz. X ekseni tahmin edilen sınıfları, Y ekseni ise gerçek sınıfları temsil eder. Matrisin köşegeni doğru tahminleri, diğer hücreler ise yanlış tahminleri gösterir. Karışıklık matrisini göstermek için bir grafik penceresi açıyoruz.
- Diğer metrikler: Modelimizin kaybını ve doğruluğunu hesaplıyoruz. Kayıp, modelin tahminleri ile gerçek etiketler arasındaki farkı ölçer. Doğruluk, modelin doğru tahmin ettiği örneklerin yüzdesini verir. Kayıp ve doğruluğu ekrana yazdırıyoruz.
Bu kod, Python dilinde yazılmış bir kod parçasıdır. Python, popüler ve güçlü bir programlama dilidir. Bu kodu çalıştırmak için, birkaç yöntem vardır. Bunlardan bazıları şunlardır:
- Komut satırı veya terminal kullanarak: Bu yöntem, işletim sisteminizin komut satırı veya terminalini açmanızı ve python komutunu kodunuzun adıyla birlikte yazmanızı gerektirir. Örneğin, kodunuz hello.py adlı bir dosyada ise, şöyle yazabilirsiniz:
python hello.py
Bu komut, Python yorumlayıcısına kodunuzu çalıştırmasını söyler. Kodunuzun .py uzantısına sahip olduğundan emin olun.
- Etkileşimli modda kullanarak: Bu yöntem, Python yorumlayıcısını etkileşimli modda başlatmanızı ve kodunuzu doğrudan yazmanızı gerektirir. Etkileşimli modda, kodunuzu parça parça yazabilir ve sonuçlarını anında görebilirsiniz. Etkileşimli modu başlatmak için, komut satırında veya terminalde python yazmanız yeterlidir.
- Bir IDE veya kod editörü kullanarak: Bu yöntem, Python ile uyumlu bir IDE (Entegre Geliştirme Ortamı) veya kod editörü kullanmanızı gerektirir. IDE veya kod editörü, kodunuzu yazmanızı, çalıştırmanızı, test etmenizi ve hata ayıklamanızı kolaylaştıran araçlar sunar. Python için popüler IDE ve kod editörleri arasında PyCharm, Visual Studio Code, Spyder, Sublime Text ve daha birçokları bulunmaktadır.
- Bir dosya yöneticisi kullanarak: Bu yöntem, işletim sisteminizin dosya yöneticisini kullanmanızı ve kodunuzu içeren dosyayı çift tıklamanızı gerektirir. Bu şekilde, kodunuz varsayılan Python yorumlayıcısı tarafından çalıştırılır.