Site Loader

Merhaba, Bu yazıda Makine Öğrenme alanında çalışanlar için adeta bir sihirbaz olan PyCaret  kütüphanesi kurulumunu ve kullanımını ele alacağım.

PyCaret Kütüphanesi Nedir?

PyCaret kütüphanesi   Python da Makine Öğrenme kütüphanelerini kolayca kullanmamıza olanak sağlamak için Moez Ali tarafından geliştirilmiş bir open source  Makine Öğrenme kütüphanesidir.

Peki bu kütüphane bizlere neler sunuyor?

  1. Az Kod ile İşlemleri Gerçekleştirme
  2. Kolay Kullanım
  3. Kolay Entegre Etme

Bu kütüphane ile neler yapabilirim?

  1. Veri Ön İşleme
  2. Veri Analizi
  3. Özellik Mühendisliği
  4. Makine Öğrenme Modellerini Oluşturma ve Eğitme
  5. NLP Modelleri Oluşturma ve Eğitme
  6. Modelleri Deploy Etme

Detaylı bilgi için PyCaret Sitesine gidin.

Şimdi bilgisayarımıza kurulumu yapalım.

PyCaret Kurulum

Eğer daha önce bilgisayarınıza Anaconda kurduysanız Anaconda Powershell açıp kurulum yapabilirsiniz.

pip install pycaret

veya jupyter notebook tan direk indirebilirsiniz.

!pip install pycaret

Şimdi gelelim PyCaret kütüphanesini kullanmaya

PyCaret Kurulum

PyCaret kütüphanesi içinde olan datasetleri kullanabiliriz bunun için.

Ben titanic dataset üzerinde işlemler yapacağım için titanic datasetini okuyorum

from pycaret.datasets import get_data
titanic = get_data('titanic')

Şimdi bu dataseti üzerinde bir ön inceleme yapalım ve model oluşturmak için. Bazı işlemler yapalım. Örneğin target belirleyelim ve eğitim ve test datasetleri ayıralım. Bunun için kütüphanemiz içinde olan bazı sınıf ve fonksiyonları ekleyelim.

from pycaret.classification import *

Şimdi işlemlerimizi yapalım.

new_data = setup(data = titanic, target = 'Survived', train_size = 0.7)

datasetimizi %70 eğitim geri kalan %30 test olarak ayırdık. Eğer eğitim seti miktarını belirtmeseydik default olarak yine %70 alınacaktı.

Görüldüğü gibi dataset ile ilgili bilgileri bize gösterdi. Şimdi bu veri seti üzerinde tüm modelleri çalıştıralım.

best_model = compare_models()

 

Gördüğünüz gibi tum algoritmaları çalıştır ve Accuracy değerlerine göre yüksekten düşüğe göre sıraladı.

Dilerseniz tek bir modelde oluşturabilirsiniz. Örneğin Decision Tree modeli oluşturalım.

model_dt = create_model('dt')

Modelin içine yazdığımız ID yukardaki tabloda var.

Şimdi modelimiz üzerinde tuning  işlemleri yapalım.

tune_dt = tune_model(model_dt)

Dilerseniz modelinizi optimize edebilirsiniz.

tune_dt_optimize = tune_model(tune_dt, optimize ='Accuracy')

Son olarak model geliştirme teknikleri olan evulation bakalım.

evaluate_model(tune_dt_optimize)

Bu şekilde metrics  mevcut hyper parametreler bakalım.

Confusion Matrix’e bakalım.

Son AUC’ e bakalım.

 

 

Yazının sonuna geldik arkadaşlar eksik veya yanlış yerler için lütfen iletişime geçmekten çekinmeyin. Veri Bilimi ve Makine öğrenme yazılarımızın diğer yazılarına buradan ulaşabilirsiniz.

Post Author: Cahit ISLEYEN

Data Scientist at @embedica.ai

Bir cevap yazın

E-posta hesabınız yayımlanmayacak. Gerekli alanlar * ile işaretlenmişlerdir