HW3

Author: KutayAkalin

Homeworks/ML_Homework3.ipynb

@@ -0,0 +1,203 @@
+{
+ "cells": [
+  {
+   "cell_type": "markdown",
+   "metadata": {
+    "id": "LeSxH2p71hE_"
+   },
+   "source": [
+    "## Homework 3\n",
+    "\n",
+    "* sklearn.datasets sınıfında \"make_classification\" fonksiyonunu kullanarak veri kümesi oluşturun. Tek etiket (y) 9 özellik (X) ile 10000 örnek oluşturun. Ayrıca şu parametreleri kullanın: \n",
+    "    * `n_informative` = 4\n",
+    "    *  `class_sep` = 2\n",
+    "    * `random_state` = 18\n",
+    "* Ham veriyi inceleyin ve analiz edin.\n",
+    "* Sınıflandırma (classification) için ön işlem yapın.\n",
+    "* Veri kümenizi eğitim ve test alt kümlerine ayırın (eğitim için 0.7 ve test için 0.3 oran olacak şekilde).\n",
+    "* Karar Ağacı ve XGBoost Algoritmasını farklı hiperparametrelerle deneyin. (GridSearchCV kullanabilirisiniz.)\n",
+    "* Sonucunuzu hem eğitim hem de test setinde değerlendirin. Herhangi bir yetersiz uyum (underfitting) veya aşırı uyum (overfitting) sorunu olup olmadığını analiz edin ve yorumlayın."
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {
+    "id": "e4vcrjaL1hFK"
+   },
+   "outputs": [],
+   "source": [
+    "# Gerekli kitaplıkları içe aktarın."
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {
+    "id": "CC3DSbYZ1hFL"
+   },
+   "outputs": [],
+   "source": [
+    "# Sklearn'de make_classification fonksiyonunu kullanarak veri kümesi oluşturun.\n",
+    "# Pandas veri çerçevesine dönüştürün."
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {
+    "id": "33bwR0FZ1hFL"
+   },
+   "outputs": [],
+   "source": [
+    "# Yinelenen satırları ve eksik verileri kontrol edin."
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {
+    "id": "i7pgkDqx1hFM"
+   },
+   "outputs": [],
+   "source": [
+    "# Her özellik için verileri görselleştirin (pairplot, distplot etc.)."
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {
+    "id": "IZnN7ISP1hFM"
+   },
+   "outputs": [],
+   "source": [
+    "# Korelasyon matrisi çizin."
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {
+    "id": "jirBAqpP1hFM"
+   },
+   "outputs": [],
+   "source": [
+    "# Aykırı değerleri işleyin (IsolationForest, Z-score, IQR kullanabilirsiniz)"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {
+    "id": "OWxHleiK1hFM"
+   },
+   "outputs": [],
+   "source": [
+    "# Veri kümesini eğitim ve test verisetlerine ayırın."
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {
+    "id": "phwFv2mX1hFN"
+   },
+   "outputs": [],
+   "source": [
+    "# Karar Ağacını içe aktarın, farklı hiperparametreleri deneyerek algoritmayı ayarlayın. (hyperpara)"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {
+    "id": "XMoW2J-s1hFN"
+   },
+   "outputs": [],
+   "source": [
+    "# Öznitelik önemlerini (feature importances) görselleştirin."
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {
+    "id": "1ml8mv431hFN"
+   },
+   "outputs": [],
+   "source": [
+    "# Hata matrisini oluşturun ve accuracy, recall, precision ve f1-score değerlerini hesaplayın."
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {
+    "id": "uPoKe_641hFN"
+   },
+   "outputs": [],
+   "source": [
+    "# XGBoostClassifier'ı içe aktarın, farklı hiperparametreleri deneyerek algoritmayı ayarlayın."
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {
+    "id": "Jn89xQic1hFO"
+   },
+   "outputs": [],
+   "source": [
+    "# Öznitelik önemlerini (feature importances) görselleştirin."
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {
+    "id": "3aqlPtJP1hFO"
+   },
+   "outputs": [],
+   "source": [
+    "# Hata matrisini oluşturun ve accuracy, recall, precision ve f1-score değerlerini hesaplayın."
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {
+    "id": "sKq6RZL51hFO"
+   },
+   "outputs": [],
+   "source": [
+    "# Sonucunuzu değerlendirin ve veri setimiz için en iyi performans gösteren algoritmayı seçin."
+   ]
+  }
+ ],
+ "metadata": {
+  "colab": {
+   "name": "ML_Homework3.ipynb",
+   "provenance": []
+  },
+  "kernelspec": {
+   "display_name": "Python 3",
+   "language": "python",
+   "name": "python3"
+  },
+  "language_info": {
+   "codemirror_mode": {
+    "name": "ipython",
+    "version": 3
+   },
+   "file_extension": ".py",
+   "mimetype": "text/x-python",
+   "name": "python",
+   "nbconvert_exporter": "python",
+   "pygments_lexer": "ipython3",
+   "version": "3.7.3"
+  }
+ },
+ "nbformat": 4,
+ "nbformat_minor": 4
+}