b-17-Siniflandirma_Odev.py

#!/usr/bin/env python3
# -*- coding: utf-8 -*-
"""
Created on Thu Mar 15 04:18:20 2018

@author: regkr
"""
"""
Iris veri kümesi ünlü ve bilinmesi gerekn bir veri kümesidir.
Bu veri kümesi üzerindeki problemleri en iyi şekilde nasıl
çözeceğimizi öğrenmemiz gerekir. 
Ben veriyi excel dosyasından yükledim ama bu veri
sci-kit learn kütüphanesi içinde hazır bulunuyor.
Iris ve başka veri kümeleri için sklearn sitesinden
aratabilirsiniz.
"""
#1. kutuphaneler
import numpy as np
import matplotlib.pyplot as plt
import pandas as pd
from sklearn.metrics import confusion_matrix

#2. Veri Onisleme

#2.1. Veri Yukleme
veriler = pd.read_excel('Iris.xls')
#pd.read_csv("veriler.csv")

x = veriler.iloc[:,1:4].values #bağımsız değişkenler
y = veriler.iloc[:,4:].values #bağımlı değişken

#verilerin egitim ve test icin bolunmesi
from sklearn.cross_validation import train_test_split
x_train, x_test,y_train,y_test = train_test_split(x,y,test_size=0.33, 
                                                  random_state=0)
y_train = y_train.ravel() 
#verilerin olceklenmesi
from sklearn.preprocessing import StandardScaler

sc = StandardScaler()
X_train = sc.fit_transform(x_train)
X_test = sc.transform(x_test)

# Buradan itibaren sınıflandırma algoritmaları başlar
# 1. Logistic Regression

from sklearn.linear_model import LogisticRegression
logr = LogisticRegression(random_state=0)
logr.fit(x_train,y_train) #egitim

y_pred = logr.predict(x_test) #tahmin

#karmasiklik matrisi
cmlin = confusion_matrix(y_test,y_pred)
print("SONUÇLAR:\n-------------------------------")
print("Lineer Model Karmaşıklık Matrisi:")
print(cmlin,"\n-------------------------------")


# 2. KNN

from sklearn.neighbors import KNeighborsClassifier

knn = KNeighborsClassifier(n_neighbors=5, metric="minkowski")
knn.fit(x_train,y_train)

y_pred = knn.predict(x_test)

cm_knn = confusion_matrix(y_test,y_pred)
print("KNN Karmaşıklık Matrisi:")
print(cm_knn,"\n-------------------------------")

# 3. SVC (SVM classifier)
from sklearn.svm import SVC
svc = SVC(kernel='rbf')
svc.fit(x_train,y_train)

y_pred = svc.predict(x_test)

cm_svc = confusion_matrix(y_test,y_pred)
print('SVC Karmaşıklık Matrisi:')
print(cm_svc,"\n-------------------------------")

# 4. NAive Bayes
from sklearn.naive_bayes import GaussianNB
gnb = GaussianNB()
gnb.fit(x_train, y_train)

y_pred = gnb.predict(x_test)

cm_gnb = confusion_matrix(y_test,y_pred)
print('GNB Karmaşıklık Matrisi:')
print(cm_gnb,"\n-------------------------------")

# 5. Decision tree
from sklearn.tree import DecisionTreeClassifier
dtc = DecisionTreeClassifier(criterion = 'gini')

dtc.fit(x_train,y_train)
y_pred = dtc.predict(x_test)

cm_dt = confusion_matrix(y_test,y_pred)
print('DTC Karmaşıklık Matrisi:')
print(cm_dt,"\n-------------------------------")

# 6. Random Forest
from sklearn.ensemble import RandomForestClassifier
rfc = RandomForestClassifier(n_estimators=11, criterion = 'gini')
rfc.fit(x_train,y_train)

y_pred = rfc.predict(x_test)
cm_rfc = confusion_matrix(y_test,y_pred)
print('RFC Karmaşıklık Matrisi:')
print(cm_rfc,"\n-------------------------------")

# 7. ROC , TPR, FPR değerleri 
#proba tahmin olsaılıkları matrisidir. yüzde kaç erkektir örneğin. (ex: 0.2)
y_proba = rfc.predict_proba(X_test)

from sklearn import metrics
fpr , tpr , thold = metrics.roc_curve(y_test,y_proba[:,0],
                                      pos_label='Iris-setosa')
print("False Positive Rate:\n",fpr,"\n-------------------------------")
print("True Positive Rate:\n",tpr,"\n-------------------------------")
print("Treshold:\n",thold,"\n-------------------------------")