Professional Documents
Culture Documents
net/publication/339528501
Makine Öğrenmesi Teorik Yönleri ve Python Uygulamaları ile Bir Yapay Zeka
Ekolü
CITATIONS READS
34 12,901
1 author:
Sinan Uğuz
T.C. Isparta University of Applied Sciences
39 PUBLICATIONS 185 CITATIONS
SEE PROFILE
All content following this page was uploaded by Sinan Uğuz on 22 December 2020.
֜òòÇÇÇ
çǤ ÇÇÇÇǤÇ
òǡ ͶǤͶǯ çǤ Ç ç ç
çÇǤ Yº ͶǤͳͲǯ ºǡ αǤ Ǥ
ǡͶǤͶǯºçÚòǤ
ͶǤͶÇ ÇÇ
4.11
from mpl_toolkits.mplot3d import Axes3D
import numpy as np
import matplotlib.pyplot as plt
def ſřƀś
return ((x**2+y**2)/2)*np.exp(-(x**2-y**3)/4)
x = np.arange(-1.0,1.0,0.01)
y = np.arange(-1.0,1.0,0.01)
a,b = np.meshgrid(x,y)
z=fonksiyon(a,b)
sekil = plt.figure()
ax =Axes3D(sekil)
yuzey = ax.plot_surface(a, b, z, rstride=1, cstride=1, cmap=plt.cm.RdBu,
,linewidth=0, antialiased=False)
53
0DNLQHßUHQPHVL
sekil.colorbar(yuzey,shrink=0.6)
plt.title('$z=((x^2+y^3)/2) e^{-(x^2-y^2)/4}$')
fͶǤͳ͵ǣY͵òº
x, y z º òÇ ºÇ ÇÇ ÇÇ
Ç ÇÇǤ dxǡ dy dz ÇÇ çǡ
òºǤºÇºǤ
ͶǤͳʹ ºǡ º ç ç. òÇ
ç º ͲǤͷ çǤ ò º
ººzposçǤXlabelylabel
Çset_ticks() Ǥ
54
0DNLQHßUHQPHVLQGH7HPHO.DYUDPODU
fͷǤͳǣ.ºÚºç
ǣºÚÚÚç.
ͷǤ͵ǯ Úò ç Ç Ç Ú
-çºǤ
ݔെ ݔ
ݔ = ȋͷǤ͵Ȍ
ݔ௫ െ ݔ
ݔǡ ºǡ ݔ òò ºǡ ݔ௫
òò º Ǥ ͷǤ͵ǯ Úò ͷǤʹǯ Ç
òò ÇçÇǤ Yº òò òò º
Ç ǡ òò min() max() Ç ÇÇçÇǤ
fͷǤͳͺǯͺÚºÚòºÚº
ÇǺǺÚòǤ
ͷǤ͵
import numpy as np
from scipy import stats
from sklearn import datasets
iris = datasets.load_iris()
canakYaprakUzunlugu = Ŝƃśř 0]
enBuyuk=np.max(canakYaprakUzunlugu)
enKucuk=np.min(canakYaprakUzunlugu)
X=(np.arange(150,dtype=float))
for i in ſɨɬɥƀś
X[i]=((X[i]- enKucuk)/( enBuyuk - enKucuk))
89
0DNLQHßUHQPHVL
fǤʹǣòòÇ
f Ǥʹǯ Úòòºò ݅ = (1,2, . . , ݊) òǡ (ݔ , ݕ ) ÇÇ
ºǡº ߝ Ǥ
ºǤͷǯÇǤ
ߠ ºÇÇ º
Ç º Ç ÇǤ ç
Çߝ ÇÇÇòòÇÇǺ
Ǥ º º çÇ Ç º
Ú Ç Ú º º Ú Úò ÇÇÇǤ
ÇÇ σ|ߝ | σ ߝ ଶ º Ǥ Ç
ÇÇÇǡÇòòȋȌò
ÇçǺ ÇǤ Ç Ç
òòȋǡȌÇÇÇǤ
Ç Ç Ǥǯ Ǥ
ߠ ºÇÇ º Çǡ çÇ
ÚòÚǤ
ଶ ଶ ଶ
ቀ ݅ݕെ ݄ߠ () ݅ݔቁ = ቀݕ1 െ ݄ߠ (ݔ1 )ቁ + ڮ+ ቀ ݊ݕെ ݄ߠ () ݊ݔቁ (7.6Ȍ
ୀଵ
ܻ = ܺߠ + ߝ (7.7Ȍ
106
0DNLQHßUHQPHVL
º ͻǤͳǯ Ç Ǥ ºÇÇ ºç ݔ ǡ ºÇÇ
ºߠ ǤºÇǺç
ͻǤʹǯ ÚòǤ ͻǤͳǡ Ú ͻǤʹǯ ç
Ǥǡߠ ºÇÇͳºǤ
ÇÇ ͳ º Úǡ ò
çÇÇǤͻǤͺǯççǤ
ͻǤͺǯǡ Ú ÇÇ ͳʹͲ º º ÇÇç X
çÇÚºͳòçǤfͻǤͶǯǡ
ÚºXÚòǤ
9.8
import statsmodels.formula.api as sm
X = np.append(arr = np.ones((1620,1)).astype(int), values = X, axis = 1)
fͻǤͶǣò
ͻǤͻǯǡ Ú X X_yeni Ç ççǤ
statsmodel òò OLS ÇÇÇ ÇÇ º
model_regressor_OLS ççǤ ȋ Ȍ Ç
òòÚÇǤEndogºÇǺçǡexog
ºÇÇ ºç ÇǤ Summary()
Ç ÚòǤ f ͻǤͷǯ ÚòǤ f ͻǤͷǡ
º º Ú ÇºÇǡ ÇÇ ò ȋαͲǤͲͷ
ΨͷȌòÚǤ x4 ÇÚº
º (ͲǤͳͳͳȌ ͲǤͲͷǯ ÇÇ ò òò º
ÇÇÇ Ǥ ÇÇ Ç x4 Ç
ÇçÇÇ ÇǤ
9.9
X_yeni = ƃśř [0,1,2,3,4,5,6,7]]
model_regresyon_OLS = sm.OLS(endog=y, exog=X_yeni).fit()
model_regresyon_OLS.summary()
136
0DNLQHßUHQPHVL
100 (ͳͳ.6Ȍ
݈ݎܽݕݑܦଓ݈ଓ݇ = = 0.25
100 + 300
ͳͳǤͷ ͳ
ÇÇǡÇÇÇÇÇÚòò
Ç º Úò Ǥ º
ÇÇºÇ Ç ÇÇ ò
Ç º Úòò ͷ ȋ ͷ ǡ Ȍ
Ǥ ͳÇÇDͳͳǤǯÚòǤ
ͳͳǤǯºº ͳÚòò
ͲǤ͵ͺÇǤ
ͳͳǤ º
ºÇÇ Ç º
º Úòò º ȋR O C ȌǤ
ººÚ ǡºç
ȋÇç ÇȌǡ ç ȋº Çǡ ÇÇȌ
Úòò ȋ Ȍ ÇÇ ÇÇ ÇǤ Ç
ÚºÚÇ ºÇ ÇÇͳͳǤͺǡͳͳǤͻͳͳǤͳͲǯ
çǤ
(ͳͳǤͻȌ
ܦºܲ ݑݎ
݈ݎܽݕݑܦ = ܱܲܦଓ݈ଓ݇ =
ܦº ܲ ݑݎ+ ܻ݈ܽ݊ଓç ܰ
(ͳͳǤͳͲȌ
ܻ݈ܽ݊ଓç ܲ
ܻܱܲ = 1 െ Ö݃ݖü݈݈ü݇ =
ܦº ܰ ݑݎ+ ܻ݈ܽ݊ଓç ܲ
º ͳǯ Ç Ç º Ͳǯ Ç Ç ÇÇÇ
Ǻ ÇǤYºǡººͺÇç
ºʹºǡͲǤͺ ÇǤǡ
ººʹÇçºͺººͲǤʹ ÇǤ
º º ò Ç ÇºÇ αͲǤͺ º
152
0DNLQHßUHQPHVL
12.9
hatalarListesi = []
for i in ſɨřɪɨƀś
siniflandirici= KNeighborsClassifier(n_neighbors=i)
siniflandirici.fit(X_train, y_train)
pred_i = siniflandirici.predict(X_test)
hatalarListesi.append(np.mean(pred_i != y_test))
fͳʹǤǣº
n_neighbors Úº Ç º
ºçºǡÚ ÇÇǤ
ͳʹ.ͳͲǯ Ç f ͳʹ.7ǯ Úò º
çǤ
12.10
import matplotlib.pyplot as plt
from sklearn.metrics import roc_curve, auc
ypo, dpo, esikDeger = roc_curve(y_test, y_pred)
aucDegeri = auc(ypo, dpo)
plt.figure()
plt.plot(ypo, dpo, label='AUC %0.2f' % aucDegeri)
plt.plot([0, 1], [0, 1], 'k--')
plt.xlim([0.0, 1.0])
plt.ylim([0.0, 1.05])
ŜſɐÊí pozitif Ê (YPO)')
Ŝſɐ½ pozitif Ê (DPO)')
plt.title('ROC ½ɐƀ
plt.legend(loc="best")
plt.show()
168
%D\HV7HRUHPLYH6ñQñIODQGñUPDGD.XOODQñPñ
plt.colorbar()
x_ticks = np.arange(len(sinifEtiketleri)+1)
y_ticks = np.arange(len(sinifEtiketleri))
plt.xticks(x_ticks, ['Kesinlik', ɐÊÊɐř 'f1 Skorlama'], rotation=45)
plt.yticks(y_ticks, sinifEtiketleri)
plt.ylabel('SINIFLAR')
plt.xlabel('ÖLÇÜTLER')
plt.show()
fͳ͵ǤͶǣ BÇÇÇÇ ÇÇÚ
ͳ͵Ǥ ÚòY
ÇǺ Ç Úº Ç Ú
ÇǤçÇÇòçÇçº
º Ç ç ÇǺÇÇ ÇÇ ºǡ ÇǺÇ
Ú Ǥ Ç ÇÇÇ
Úòò òò Ǥ ç ÇÇ º
ÇÇ ò Ç ÇÇ ÇÇ Ú
ÇÇǤ òòǺçǡ
ǡ ºÇÇ ò ºç
ºÇǺÇÇÚ.Gç
Ç ÇÇ ºÇÇÇ òº òçü Ç
187
0DNLQHßUHQPHVL
f ͳͷǤͳͲǯǡ ÇÇ Ç Ç çǤ f
ÇǡÇÇÇçÇǤY
ÇÇ Ç Ç Ú Ç
çÇÇÇ çÇ Ç. Ç º
ǡȋȌÇÇçÇǤYº(ܱݐݑଶ ) ǡʹǤ
ǤÚܫǡ
ÇÇ ܱ ݐݑÚǤ Yº (ܫଶ )ଷ ǡ
òò ò Ú ǡ (ܱݐݑଶ )ଵ
Ú ÇÇÇÇ Ǥ ߠ
Ç ºÇÇÇ Ǥ (ߠଶ ) ºÇÇ
ÇǤ Yº (ߠଶ )ଵଷ ǡ Ú (݆)
òò òÚ(݅)ǺÇǺÇǤ
fͳͷǤͳͲǣ ÇÇÇÇ
ͳͷǤ͵Ǥͳ GÇÇçÇ
ÚÇÚÇǺÇÇÇÇ
ç ò ÇǤ Y
ÚÇ Ç Ǥ Ç
º Ú Ç ºÇÇ º
ÇÇ ͳͷǤͷǯ ÇǤ ͳͷǤǯ Ç
ÇÇçÇǤ
210
0DNLQHßUHQPHVL
º ºÇ Ú Ç fit() ÇÇçÇǤ
nb_epoch ºÇ ÇÇÇ Ǥ
batch_sizeºÇÇò çÚ ºÚ
Ú ÇÇÇ ÇÇÇ Ç Ǥ Ú ͳͲ º
ºǡºÇÇͳͲǯºÇòºÚ
çÚò.
fͳͷǤͳͶǣºÇ
230
'HVWHN9HNW¶U0DNLQHOHUL
fͳǤǣÇfͳǤǣÇ
Ç ÇÇÇǤ
Ç Ç Ç ÇÇÇ ÇÇ Ç Ç
ÇÇÇÇ Ú ÇÇÇ Ç ÇǤ Ç Ú
ÇÇÇÇÇÚ
ÇÇǺ ÇǤÇÇÇ
ͳǤͳͳǯÇÚç
ÇÚͳǤͳ5ǯò Ǥ
1
݇ ݊ܧüçü݈݇݁ ࢝ۃ, ࢝ ۄ+ ܿ ߦ
2
ୀଵ ȋͳǤͳ5Ȍ
݇ଓݏଓݐଓ ݈݅݁ ݕ (࢝ۃ, ࢞ ۄ+ ߠ ) െ 1 + ߦ 0, ߦ 0, ݅ = 1, . . , ݊
Ç Ú Ç Ú ÇÇÇ º Ç
º ߦ º ÇÇ ÇÇ Ç
Ǥ ò º ǡ òò
ͳǤͳ5ǯ ò Ǥ
ߦ º ò
òò ÇÇǤ çÇÇ ߦ 0 ÇÇÇ
ÇǤ
245
(.-B
“GÇÚòòºòǢºçºǡºç
ÇÇǤ“
J-
. .
Úò ͳǯ Ú Ç Ç
ǡ çǡ ò ÇÇ Úò
ÚǤÇÇÇòÇ
ºÚ òòÇÇÇÇÇǤ
Ǥͳò
ººǡfǤͳǯÚòòºòºç
ºç Ç ÇǤ ݔ = ݕº º ͳ
Ǥ
fǤͳǣºº
ò Ç º º Ç
º ç ç òò
ÇǤ òòòȋòòòȌºÇ
º òçòòòºò º f Ǥʹǯ Ǥ f
Ǥʹǯ òò Ǻ ݕºç οݕǡ ݔ
ºçο ݔÚçǤÇݕº݂()ݔ
ο௬
݂( ݔ+ ο )ݔÇǤºǤͳǯ ÇǤ
ο௫