Model incelemesi ve karşılaştırma
Python ile Machine Learning kullanarak TOB tahmini
Kevin Huo
Instructor
Model incelemesi
from sklearn.linear_model import LogisticRegression
from sklearn.tree import DecisionTreeClassifier
from sklearn.ensemble import RandomForestClassifier
from sklearn.neural_network import MLPClassifier
- Lojistik regresyon: karar sınırını bulan doğrusal sınıflandırıcı
- Karar ağaçları: koşulların ağaç biçimi
- Rastgele Ormanlar: Karar Ağaçlarının topluluğu
- Sinir Ağları (MLP): doğrusal öznitelik birleşimleri ve doğrusal olmayan aktivasyon katmanları
Model uygulaması
Benzerlikler
- Öznitelik dönüşümü ve düzenlileştirme
classifier.fit(X_train, y_train)ile eğitimpredict_proba()vepredict()ile tahmin
Farklar
- Karar Ağaçları:
max_depth,min_samples_split - Rastgele Ormanlar:
n_estimators,oob_score - Lojistik Regresyon:
fit_intercept,class_weight - Sinir Ağları:
hidden_layer_sizes,max_iter
Model değerlendirme
- Temel değerlendirme metrikleri:
- Karmaşıklık matrisi:
confusion_matrix(y_test, y_pred) - Kesinlik (precision):
precision_score(y_test, y_pred) - Duyarlılık (recall):
recall_score(y_test, y_pred) - F-beta skoru:
fbeta_score(y_test, y_pred, beta = 0.5) - ROC eğrisi AUC:
roc_auc_score(y_test, y_score[:, 1])
- Karmaşıklık matrisi:
Sinir ağlarının başlıca artıları ve eksileri
Artılar
- Veriye ölçeklenir
- Daha az öznitelik mühendisliği gerektirir
- Alanlar arası daha kolay aktarılabilir
Eksiler
- Küçük veri kümelerinde daha zayıf
- Yorumlaması zor
- Hesaplama ve maliyet açısından daha pahalı
Hadi pratik yapalım!
Python ile Machine Learning kullanarak TOB tahmini
