-
Notifications
You must be signed in to change notification settings - Fork 0
/
Copy pathdiabetes_adaboost.py
123 lines (94 loc) · 3.44 KB
/
diabetes_adaboost.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
# -*- coding: utf-8 -*-
"""diabetes_AdaBoost
Automatically generated by Colaboratory.
Original file is located at
https://colab.research.google.com/drive/1gJalCSCYeMc1-yvK-G7Ai-tWDibY4Qge
"""
from google.colab import drive
drive.mount('/content/drive')
dosya_yolu = '/content/drive/MyDrive/Colab Notebooks/diabetes/diabetes.csv'
# Gerekli kütüphaneleri yükleme
import pandas as pd
from sklearn.ensemble import AdaBoostClassifier
from sklearn.metrics import confusion_matrix, roc_curve, roc_auc_score, accuracy_score, precision_score, recall_score, f1_score
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score
import matplotlib.pyplot as plt
from sklearn.metrics import classification_report
import seaborn as sns
import numpy as np
# Veri setini yükleme
df = pd.read_csv(dosya_yolu)
# Veri setini görüntüleme
df.head()
# Veri seti kolon isimleri
df.columns
# Veri seti kolon veritipleri
df.info()
# satır ve sütun sayıları
df.shape
# kolonlara ait istatistiki bilgiler
df.describe()
# kolonlarda boş değerler var mı
df.isnull().sum()
# 1 ve 0 lardan oluşan sonuç kümem de bulunan 0 ve 1 lerin sayısal grafiği
sns.countplot(x='Outcome',data=df,palette=['b','g'])
# veri setindeki değişkenler arasındaki ilişkileri görselleştirmek
sns.pairplot(data=df,hue='Outcome')
plt.show()
# Özellikler ve hedef değişkeni ayırma
X = df.drop(["Outcome"], axis=1)
y = df["Outcome"]
# Eğitim ve test setlerine ayırma
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# AdaBoost sınıflandırıcıyı oluşturma
adaboost = AdaBoostClassifier()
# Modeli eğitme
adaboost.fit(X_train, y_train)
# test verilerindeki girdiler için sınıf tahminleri yapmak
y_predict=adaboost.predict(X_test)
y_predict
# confusion matris
cm=confusion_matrix(y_test,y_predict)
cm
# confusion matris renkli tablosu
sns.heatmap(pd.DataFrame(cm),annot=True, cmap="Greens")
# Modelin doğruluğu
accuracy=accuracy_score(y_test,y_predict)
print("Accuracy : ",round(accuracy,2)*100,'%')
# Performans metriklerinin hesaplanması
accuracy = accuracy_score(y_test, y_predict)
precision = precision_score(y_test, y_predict)
recall = recall_score(y_test, y_predict)
f1 = f1_score(y_test, y_predict)
# Performans metriklerini ekrana yazdırma
print("Accuracy:", accuracy)
print("Precision:", precision)
print("Recall:", recall)
print("F1 Score:", f1)
# ROC eğrisi ve AUC değeri
y_pred_prob = adaboost.predict_proba(X_test)[:, 1]
fpr, tpr, thresholds = roc_curve(y_test, y_pred_prob)
roc_auc = roc_auc_score(y_test, y_pred_prob)
# ROC grafiği çizimi
plt.plot(fpr, tpr, label='ROC Curve (AUC = %0.2f)' % roc_auc)
plt.plot([0, 1], [0, 1], 'k--')
plt.xlim([0.0, 1.0])
plt.ylim([0.0, 1.05])
plt.xlabel('False Positive Rate')
plt.ylabel('True Positive Rate')
plt.title('Receiver Operating Characteristic')
plt.legend(loc="lower right")
plt.show()
# Örnek bir girdi için sonuç tahmini
example_input = [8,99,84,0,0,35.4,0.388,50] #0
predicted_class = adaboost.predict([example_input])[0]
print("Tahmin edilen sınıf: ", predicted_class)
# Örnek bir girdi için sonuç tahmini
example_input = [6,148,72,35,0,33.6,0.627,50] #1
predicted_class = adaboost.predict([example_input])[0]
print("Tahmin edilen sınıf: ", predicted_class)
# Örnek bir girdi için sonuç tahmini
example_input = [5,166,72,19,175,25.8,0.587,51] #1
predicted_class = adaboost.predict([example_input])[0]
print("Tahmin edilen sınıf: ", predicted_class)