PYTHONLA YÜKSEK KAN BASINCINI TEŞHİS ETMEK İÇİN YAPAY ZEKALI PROJE

# Yüksek kan basıncını teşhis etmek için yapay zekalı proje
# Veri kaynağı: [Kaggle]
# Gerekli kütüphaneleri içe aktar
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score, confusion_matrix, classification_report
# Veri setini oku
df = pd.read_csv("blood_pressure.csv")
# Veri setinin ilk 5 satırını göster
df.head()
# Veri setinin boyutunu, sütunlarını ve veri tiplerini göster
df.shape
df.columns
df.dtypes
# Veri setindeki eksik değerleri kontrol et
df.isnull().sum()
# Veri setindeki istatistiksel özetleri göster
df.describe()
# Hedef değişkenin dağılımını göster
sns.countplot(x="Blood_Pressure", data=df)
plt.show()
# Hedef değişkeni ikili sınıflandırma problemi için kodla
df["Blood_Pressure"] = df["Blood_Pressure"].apply(lambda x: 1 if x > 140 else 0)
# Hedef değişkenin yeni dağılımını göster
sns.countplot(x="Blood_Pressure", data=df)
plt.show()
# Bağımsız ve bağımlı değişkenleri ayır
X = df.drop("Blood_Pressure", axis=1)
y = df["Blood_Pressure"]
# Veri setini eğitim ve test setlerine böl
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# Lojistik regresyon modeli oluştur
model = LogisticRegression()
# Modeli eğitim seti ile eğit
model.fit(X_train, y_train)
# Modelin eğitim ve test setlerindeki performansını değerlendir
y_train_pred = model.predict(X_train)
y_test_pred = model.predict(X_test)
print("Eğitim setindeki doğruluk:", accuracy_score(y_train, y_train_pred))
print("Test setindeki doğruluk:", accuracy_score(y_test, y_test_pred))
# Karışıklık matrisi ve sınıflandırma raporunu göster
print("Karışıklık matrisi:")
print(confusion_matrix(y_test, y_test_pred))
print("Sınıflandırma raporu:")
print(classification_report(y_test, y_test_pred))
#Yazan Rıdvan Kaya

Bu kod, yüksek kan basıncını teşhis etmek için lojistik regresyon modeli kullanan bir yapay zekalı proje içerir. Kodun her aşamasını şöyle açıklayabilirim:

- İlk olarak, gerekli kütüphaneleri içe aktarıyoruz. Bu kütüphaneler, veri işleme, görselleştirme ve makine öğrenimi için kullanılan Python modülleridir.
- Sonra, veri setini okuyoruz. Veri seti, [Kaggle] adlı bir veri bilimi platformundan alınmıştır. Veri seti, 2000 kişinin yaş, cinsiyet, kilo, boy, kalp atış hızı ve kan basıncı gibi özelliklerini içerir.
- Daha sonra, veri setinin ilk 5 satırını gösteriyoruz. Bu, veri setinin nasıl göründüğüne ve hangi sütunlardan oluştuğuna bakmak için yapılır.
- Ardından, veri setinin boyutunu, sütunlarını ve veri tiplerini gösteriyoruz. Bu, veri setinin yapısı ve niteliği hakkında bilgi edinmek için yapılır.
- Sonra, veri setindeki eksik değerleri kontrol ediyoruz. Eksik değerler, veri setindeki boş veya geçersiz girdilerdir. Bu, veri setinin kalitesini ve eksik değerleri nasıl ele alacağımızı belirlemek için yapılır. Bu durumda, veri setinde eksik değer yoktur.
- Daha sonra, veri setindeki istatistiksel özetleri gösteriyoruz. Bu, veri setindeki sayısal değişkenlerin ortalamasını, standart sapmasını, minimumunu, maksimumunu ve yüzdeliklerini içerir. Bu, veri setinin dağılımı ve varyasyonu hakkında bilgi edinmek için yapılır.
- Ardından, hedef değişkenin dağılımını gösteriyoruz. Hedef değişken, kan basıncıdır. Bu, veri setindeki kan basıncı değerlerinin frekansını gösteren bir çubuk grafiğidir. Bu, veri setinin dengeli olup olmadığını ve hedef değişkenin nasıl kodlanacağını belirlemek için yapılır. Bu durumda, veri seti dengesizdir ve kan basıncı değerleri çok çeşitlidir.
- Sonra, hedef değişkeni ikili sınıflandırma problemi için kodluyoruz. Bu, kan basıncı değerlerini iki kategoriye ayırmak için yapılır. Kan basıncı 140’tan büyükse, 1 olarak kodlanır. Kan basıncı 140’tan küçük veya eşitse, 0 olarak kodlanır. Bu, modelin yüksek kan basıncını teşhis etmesini kolaylaştırmak için yapılır.
- Daha sonra, hedef değişkenin yeni dağılımını gösteriyoruz. Bu, kodladığımız kan basıncı kategorilerinin frekansını gösteren bir çubuk grafiğidir. Bu, veri setinin dengeli olup olmadığını ve kodlama işleminin nasıl etkilediğini görmek için yapılır. Bu durumda, veri seti hala dengesizdir ve 0 kategorisi 1 kategorisinden çok daha fazladır.
- Ardından, bağımsız ve bağımlı değişkenleri ayırıyoruz. Bağımsız değişkenler, kan basıncını etkileyebilecek özelliklerdir. Bağımlı değişken, kan basıncı kategorisidir. Bu, modelin girdi ve çıktılarını belirlemek için yapılır.
- Sonra, veri setini eğitim ve test setlerine bölüyoruz. Eğitim seti, modeli eğitmek için kullanılan veri setinin bir bölümüdür. Test seti, modelin performansını değerlendirmek için kullanılan veri setinin bir bölümüdür. Bu, veri setini rastgele olarak %80 eğitim ve %20 test olarak ayırmak için yapılır.
- Daha sonra, lojistik regresyon modeli oluşturuyoruz. Lojistik regresyon, ikili sınıflandırma problemleri için kullanılan bir makine öğrenimi algoritmasıdır. Bu, veri setindeki bağımsız değişkenlerin bağımlı değişken üzerindeki etkisini ölçmek için yapılır.
- Ardından, modeli eğitim seti ile eğitiyoruz. Bu, modelin eğitim setindeki verileri kullanarak optimal parametreleri bulmasını sağlamak için yapılır.
- Son olarak, modelin eğitim ve test setlerindeki performansını değerlendiriyoruz. Bu, modelin ne kadar iyi yüksek kan basıncını teşhis ettiğini görmek için yapılır. Performansı ölçmek için doğruluk, karışıklık matrisi ve sınıflandırma raporu gibi metrikler kullanılır. Doğruluk, modelin doğru tahmin ettiği veri noktalarının oranıdır. Karışıklık matrisi, modelin gerçek ve tahmin edilen kategorileri karşılaştıran bir tablodur. Sınıflandırma raporu, modelin hassasiyet, geri çağırma, f1 skoru ve destek gibi diğer metrikleri gösteren bir rapordur. Bu metrikler, modelin her kategori için ne kadar doğru, eksiksiz ve dengeli olduğunu gösterir.

Bu kodu çalıştırmak için, öncelikle Python’un bilgisayarınızda kurulu olduğundan emin olmalısınız. Eğer Python kurulu değilse, indirip kurun. Ardından, aşağıdaki adımları izleyebilirsiniz:

- Kodu bir metin düzenleyici ile açın ve .py uzantılı bir dosya olarak kaydedin. Örneğin, kod.py gibi.
- Bir komut istemi (terminal) açın ve kodun bulunduğu klasöre gidin. Örneğin, cd desktop/kod gibi.
- Komut isteminde python kod.py yazın ve Enter tuşuna basın. Bu, kodu çalıştıracak ve sonucu ekrana yazdıracaktır.