Machine Learning-1(Regression)

*Linear Regression
*Multiple Linear Regression
*Polynomial Linear Regression

Linear Regression

1.Supervised modeldir.
2.Line fit edilen metota linear regression denilir.
3.Matamatiksel fomülü y=b0+b1*x olarak belirtilir. b0= constant(sabit deger), b1=coeff(kat sayı)
4.Amaç min MSE(mean squared error) elde etmektir.
5.Sklearn'de machine learning algoritmaları mevcuttur.

# Bu örnekte Linear Regression kullanacağım. Örnek dataset olarak model yılına göre,arabaların fiyatını bulmasını #sağlamak amacıyla kullanımda bulunabilir. #Öncelikli olarak dataset'imizi load etmemiz gerekiyor. Bunun için pandas kütüphanesinden yararlanacağım. import pandas as pd import matplotlib.pyplot as plt import numpy as np df=pd.read_csv("arac.csv")

# dataset'imizden örnek data gösterir. df.head(10) yazarsak ilk 10 kayıtı getirir. df.head()

#Datasetimiz hakkında bilgi verir. df.info()  output: <class 'pandas.core.frame.DataFrame'> RangeIndex: 17 entries, 0 to 16 Data columns (total 2 columns): model     17 non-null int64 bedeli    17 non-null int64 dtypes: int64(2) memory usage: 352.0 bytes

# Bu datasetimizi matplotlib kütüphanesini kullanarak görselleştirelim. Bunun için kütüphanemizi import etmemiz gerekiyor. plt.scatter(df.model,df.bedeli) plt.xlabel("Model Yılı") plt.ylabel("Bedeli") plt.show()

# sklearn kütüphanesi kullanarak line fit dilmesi, b0 ve b1 degerlerinin bulunması gerekmektedir. from sklearn.linear_model import LinearRegression linear=LinearRegression() # Makine öğrenmesi için datamızı numpy formatına dizi formatına dönüştürmemiz lazım. model=df.model.values.reshape(-1,1) bedeli=df.bedeli.values.reshape(-1,1) #Daha sonra da datamızı fit etmemiz gerekiyor. linear.fit(model,bedeli) output: LinearRegression(copy_X=True, fit_intercept=True, n_jobs=None,          normalize=False)

#b0 degerini bulmak için   b0=linear.intercept_ print("b0 :",b0)   output: b0 : [-3271355.38220561]

#b1 degerini bulmak için   b1=linear.coef_ print("b1 :",b1)   output: b1 : [[1673.02267335]]

# Artık matamatiksel formülde(y=b0+b1*x) olan tüm degerlerimi biliyorum. #Yani datasetimin içerisinde olmayan bir model yılını sorduklarında aracın bedelinin ne kadar olduğunu söyleyebilirim. # Örneğin; 2007 model arabanın bedeli ne kadar olur sorusuna cevap verelim; #          2023 model arabanın bedeli ne kadar olur ?   print(linear.predict([[2007]]))   print(linear.predict([[2023]]))   output: [[86401.12319908]] [[113169.48597261]]

# Line fit edilmiş görselleştirme modeli.   array=np.array([df.model]).reshape(-1,1) plt.scatter(df.model,df.bedeli)     y_head=linear.predict(array) plt.plot(array,y_head,color="red")

Multiple Linear Regression

1.Supervised modeldir.
2.Multiple regression y eksenine 1'den farklı degerlerin etki etmesi demektir. Örnegin; araba'nın bedeline yıl etki ederken,aynı zaman da km'sinin de etki etmesidir.
3.Matamatiksel formülü y=b0+b1*x1+b2*x2....+bn*xn şeklindedir.
4.Amaç MSE(mean squared error) elde etmektir.

 


  
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from sklearn.linear_model import LinearRegression

 




 


  
df=pd.read_csv("arac_multiple.csv")
 
df.head()

 









 


  
df.info()
 
output:
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 17 entries, 0 to 16
Data columns (total 3 columns):
model     17 non-null int64
bedeli    17 non-null int64
km        17 non-null int64
dtypes: int64(3)
memory usage: 488.0 bytes
 

 







 


  
y=df.bedeli.values.reshape(-1,1)
 
#Datasetimizde araba bedelini etkileyecek olan iki değişkeni alabilmemiz için 
iloc kullanılır. 
#0. ve 2. kolonları al demektir.
x=df.iloc[:,[0,2]].values
print(x)
 
multiple_linear=LinearRegression()

 




 


  
multiple_linear.fit(x,y)

 






 


  

b0=multiple_linear.intercept_

print("b0 :",b0)



print("b1,b2 :",multiple_linear.coef_)



output: 
b0 : [783121.66671321]
b1,b2 : [[-330.29252131   -0.4419189 ]]

 




 


  

# modeli 2007 olup km 85000 olan arabanın bedeli bulma.

print(multiple_linear.predict([[2007,85000]]))



output:
[[82661.46991568]]



 




Polynomial Linear Regression
1.Supervised modeldir.
2.Polynomial regression değişkenin belli bir zaman sonra sabit kalmasıdır. Örneğin; arabanın bedeli artarken hız'ının belli bir değerde kalması.
3.Matamatiksel formülü. y=b0+b1*x+b2+x^2+....+bn*x^n
4.Amaç MSE(mean squared error) elde etmektir.


 


  
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from sklearn.linear_model import LinearRegression
 
df=pd.read_csv("arac_polynomial.csv")
 
df.head()

 




 


  
hiz=df.hiz.values.reshape(-1,1)
bedeli=df.bedeli.values.reshape(-1,1)
 
plt.scatter(bedeli,hiz)
plt.xlabel("Bedeli")
plt.ylabel("Hiz")
plt.show()

 






 


  
from sklearn.preprocessing import PolynomialFeatures
 
# İki değişken üzerinde tahminde bulunacağım için 
degree degerini 3 olarak verdim.

polynomial_linear=PolynomialFeatures(degree=3)
 
bedeli_polynomial=polynomial_linear.fit_transform(bedeli)

 




 


  
#fit
 
linear=LinearRegression()
linear.fit(bedeli_polynomial,hiz)

 




 


  
y_head=linear.predict(bedeli_polynomial)
 
plt.plot(bedeli,y_head,color="red",label="Polynomial")
plt.legend()
plt.show()

 








İyi Okumalar.