https://github.com/sedatdikbas/traditional-machine-learning
Geleneksel Makine Öğrenmesi Yöntemleri ile Çalışmalarım
https://github.com/sedatdikbas/traditional-machine-learning
classification confusion-matrix data-analysis data-visualization decision-tree machine-learning naive-bayes python random-forest svm traditional-machine-learning
Last synced: 10 months ago
JSON representation
Geleneksel Makine Öğrenmesi Yöntemleri ile Çalışmalarım
- Host: GitHub
- URL: https://github.com/sedatdikbas/traditional-machine-learning
- Owner: SedatDikbas
- Created: 2025-04-11T10:23:13.000Z (10 months ago)
- Default Branch: main
- Last Pushed: 2025-04-11T10:30:37.000Z (10 months ago)
- Last Synced: 2025-04-11T12:00:15.095Z (10 months ago)
- Topics: classification, confusion-matrix, data-analysis, data-visualization, decision-tree, machine-learning, naive-bayes, python, random-forest, svm, traditional-machine-learning
- Language: Jupyter Notebook
- Homepage:
- Size: 339 KB
- Stars: 1
- Watchers: 1
- Forks: 0
- Open Issues: 0
-
Metadata Files:
- Readme: README.md
Awesome Lists containing this project
README
# Traditional Machine Learning Classification on Balanced Dataset
Bu projede, dengelenmiş bir veri kümesi (`balanced_update_data_dt.csv`) üzerinde çeşitli geleneksel makine öğrenmesi sınıflandırma algoritmaları kullanılarak performans karşılaştırması yapılmıştır.
## Kullanılan Algoritmalar
- Decision Tree (Karar Ağacı)
- Support Vector Machine (SVM)
- Naive Bayes
- Random Forest
## Adımlar
1. **Veri Yükleme ve Hazırlık:**
Veri kümesi yüklenmiş, `class` sütunu hedef değişken olarak ayrılmıştır. Eğitim ve test kümeleri %80-%20 oranında bölünmüştür.
2. **Sınıf Dağılımının Görselleştirilmesi:**
Sınıf dağılımı çubuk grafikle gösterilerek dengenin sağlandığı doğrulanmıştır.
3. **Korelasyon Isı Haritası:**
Hedef değişken ile öznitelikler arasındaki ilişki ısı haritası ile görselleştirilmiştir.
4. **Model Eğitimi ve Değerlendirme:**
Her bir model, eğitim verisi ile eğitilip test verisi üzerinde değerlendirilmiştir. Değerlendirme metrikleri:
- Accuracy (Doğruluk)
- Precision, Recall, F1-Score
- Confusion Matrix (Karışıklık Matrisi)
5. **Görselleştirme:**
Her model için karışıklık matrisi ayrı ayrı ısı haritası olarak çizdirilmiştir.
## Gereksinimler
```bash
pip install pandas matplotlib seaborn scikit-learn