python
# Kütüphaneleri içe aktar
import numpy as np
import pandas as pd
from sklearn.model_selection import train_test_split, cross_val_score
from sklearn.preprocessing import StandardScaler
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score, confusion_matrix, classification_report
# Veriyi yükle
veri = pd.read_csv("spq_spd_data.csv")
# Veri Ön İşleme
# Eksik değerleri kontrol et
print("Eksik değerler:

", veri.isnull().sum())
# Veriyi özellikler (X) ve etiketler (y) olarak ayır
X = veri.iloc[:, :-1]
y = veri.iloc[:, -1]
# Özellikleri standartlaştır
scaler = StandardScaler()
X = scaler.fit_transform(X)
# Veriyi keşfet
# Gerekirse veri dağılımını veya korelasyonu görselleştir
# Veriyi eğitim ve test setlerine ayır
X_egitim, X_test, y_egitim, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# Lojistik regresyon modeli oluştur ve eğit
model = LogisticRegression(random_state=42, max_iter=1000)
# Çapraz doğrulama
cv_skorlari = cross_val_score(model, X_egitim, y_egitim, cv=5, scoring=’accuracy’)
print("Çapraz doğrulama skorları:", cv_skorlari)
print("Ortalama Çapraz Doğrulama doğruluğu:", np.mean(cv_skorlari))
# Test seti üzerinde tahmin yap
model.fit(X_egitim, y_egitim)
y_tahmin = model.predict(X_test)
# Model performansını değerlendir
print("Doğruluk:", accuracy_score(y_test, y_tahmin))
print("Karmaşıklık matrisi:

", confusion_matrix(y_test, y_tahmin))
print("Sınıflandırma raporu:

", classification_report(y_test, y_tahmin))
#Yazan Rıdvan Kaya
Bu kod, şizotipal kişilik bozukluğu (SPD) olan veya olma riski taşıyan kişileri tespit etmek için kullanılır. SPD, gerçeklikten kopukluk, tuhaf davranışlar, sosyal izolasyon ve şizofreniye benzer belirtiler gösteren bir kişilik bozukluğudur. Bu kod, SPQ-C adlı bir anketi kullanarak kişilerin SPD’ye yatkınlıklarını ölçer ve lojistik regresyon modeli ile sınıflandırır. SPQ-C, çocuklar için geliştirilmiş bir öz bildirim anketidir ve 5 farklı faktör yapısı test edilmiştir. Bu kod, veri setini standartlaştırır, çapraz doğrulama yapar, test seti üzerinde tahminler üretir ve model performansını değerlendirir. Veri seti, spq_spd_data.csv adlı bir dosyadan okunur. Bu dosya, GitHub’da bulunabilir.
Bu kod, spq_spd_data.csv adlı bir veri setini kullanarak lojistik regresyon modeli ile ikili sınıflandırma yapmayı amaçlayan bir Python kodudur. Kodun yaptığı işlemler şunlardır:
- Kütüphaneleri içe aktar: Bu kod, numpy, pandas, sklearn gibi gerekli kütüphaneleri içe aktarmak için import komutunu kullanır. Bu kütüphaneler, veri işleme, model oluşturma, performans ölçme gibi işlevleri sağlar.
- Veriyi yükle: Bu kod, pd.read_csv() fonksiyonu ile spq_spd_data.csv adlı veri setini okur ve veri değişkenine atar. Bu veri seti, 16 özellik ve 1 etiket içeren bir tablodur. Etiket, 0 veya 1 değerleri alabilir.
- Veri Ön İşleme: Bu kod, veri setinde eksik değer olup olmadığını kontrol eder ve veriyi özellikler (X) ve etiketler (y) olarak ayırır. Ayrıca, özellikleri standartlaştırmak için StandardScaler() sınıfını kullanır. Standartlaştırma, verinin ortalamasını 0 ve standart sapmasını 1 yaparak ölçek sorunlarını önlemeye yarar.
- Veriyi keşfet: Bu kod, veri dağılımını veya korelasyonu görselleştirmek için gerekirse grafik çizmeyi planlar. Ancak, bu kodda bu adım gerçekleştirilmemiştir.
- Veriyi eğitim ve test setlerine ayır: Bu kod, train_test_split() fonksiyonu ile veriyi rastgele olarak eğitim ve test setlerine ayırır. Test setinin boyutu, verinin %20’si olarak belirlenmiştir. Ayrıca, random_state parametresi ile rastgeleliği kontrol etmek için bir değer verilmiştir.
- Lojistik regresyon modeli oluştur ve eğit: Bu kod, LogisticRegression() sınıfı ile bir lojistik regresyon modeli oluşturur. Bu model, ikili sınıflandırma yapmak için kullanılan bir makine öğrenmesi algoritmasıdır. Modelin random_state ve max_iter parametreleri, rastgeleliği ve iterasyon sayısını belirlemek için verilmiştir.
- Çapraz doğrulama: Bu kod, cross_val_score() fonksiyonu ile modelin eğitim setindeki performansını ölçmek için çapraz doğrulama yapar. Çapraz doğrulama, veriyi k katlı olarak bölerek her seferinde bir katı test, diğerlerini eğitim olarak kullanır ve modelin doğruluğunu hesaplar. Bu kodda, cv parametresi ile k değeri 5 olarak verilmiştir. Ayrıca, scoring parametresi ile doğruluk metriği seçilmiştir. Sonuç olarak, modelin 5 farklı doğruluk skoru ve bunların ortalaması ekrana yazdırılır.
- Test seti üzerinde tahmin yap: Bu kod, model.fit() fonksiyonu ile modeli eğitim seti ile eğitir ve model.predict() fonksiyonu ile test seti üzerinde tahmin yapar. Tahmin edilen etiketler, y_tahmin değişkenine kaydedilir.
- Model performansını değerlendir: Bu kod, modelin test seti üzerindeki performansını değerlendirmek için çeşitli metrikler kullanır. Bunlar şunlardır:
- Doğruluk: Bu metrik, modelin doğru tahmin ettiği örneklerin oranını verir. accuracy_score() fonksiyonu ile hesaplanır.
- Karmaşıklık matrisi: Bu matris, modelin tahminlerinin gerçek etiketlerle karşılaştırılması sonucu oluşan dört farklı durumu gösterir. Bunlar, doğru pozitif (TP), yanlış pozitif (FP), doğru negatif (TN) ve yanlış negatif (FN) dir. confusion_matrix() fonksiyonu ile hesaplanır.
- Sınıflandırma raporu: Bu rapor, modelin her sınıf için hassasiyet, geri çağırma, f1 skoru ve destek değerlerini verir. Ayrıca, modelin ortalama değerlerini de içerir. classification_report() fonksiyonu ile hesaplanır.
Kodun sonunda, yazan Rıdvan Kaya yazısı vardır. Bu, kodun sahibini veya kaynağını belirtmek için eklenmiştir.