Merhaba, iyi günler.

Bugün; çeşitli veri kümeleri üzerinde özel işlemler ile farklı çözümlemeler için yapılandırılmış denetimli/gözetimli öğrenme algoritmalarından, gerçek dünyadaki metrikler arasındaki etkileşimi değerlendirmemizi sağlayan Çok Değişkenli Uyarlamalı Regresyon Analizi (Multivariate Adaptive Regression Splines – MARS) algoritması üzerine çeşitli bilgi ve çözümlemeler aktarmaya çalışacağım.

Genel konu özetinin bulunduğu Python Veri Analizi yazısına link üzerinden ulaşabilirsiniz.

İlgili yazı içeriğine ulaşmak için lütfen tıklayınız...

Please click to access the related article content...

İlgili derlenmiş kod çözümü ise;

# ÇALISMA ÜZERINDE KULLANILACAK KUTUPHANELERI DAHIL EDELIM.
import pandas as pd
import matplotlib.pyplot as plt
import numpy as np

# ILGILI VERI SETINI CALISMAMIZA DAHIL EDELIM.
Weather_Data = pd.read_csv("C:\Anaconda\DataWeather.csv") 

# VERI SETIMIZIN ONIZLEMESINI GERCEKLESTIRELIM.
Weather_Data

# POTANSIYEL GIRDILERIMIZI BELIRLEYELIM.
Weather_Features = ['Temperature (C)', 'Wind Speed (km/h)', 'Pressure (millibars)']

# GIRDILERIMIZI ONIZLEMESINI GERCEKLESTIRELIM.
Weather_Features

# VERI ALANLARIMIZI WEATHER DATA VERI SETI ILE OZDESLESTIRELIM.
X = Weather_Data[Weather_Features]

# WEATHER DATA VERI SETINDEKI HUMIDITY (NEM) PARAMETRESINI y DEGERINE ATAYALIM.
y = Weather_Data.Humidity

# PARAMETRIK DEGERLERIMIZI GORSELLESTIRELIM.
plt.subplot(2,2,1)
plt.scatter(X['Temperature (C)'],y)
plt.subplot(2,2,2)
plt.scatter(X['Wind Speed (km/h)'],y)
plt.subplot(2,2,3)
plt.scatter(X['Pressure (millibars)'],y)

# UC BOYUTLU GRAFIK OLUSTURMAK ICIN BIR PARAMETREMIZI (BASINC) INAKTIF ETMEMIZ GEREKMEKTEDIR.
# UST GRAFIKTE YER ALAN, BASINC DAGILIM GRAFIĞI TUTARSIZLIK SERGILEMEKTEDIR. (DIGER PARAMETRELERE GORE.) 
X = X.drop("Pressure (millibars)", 1)

# UC BOYUTLU CIZIM OLUSTURALIM.
# BUNUN ICIN 3D plot KUTUPHANESINI ICERI AKTARALIM VE PARAMETRELERIMIZ ILE CIZIM OLUSTURALIM.
# BURADA Pressure - BASINC PARAMETRESI GOZ ARDI EDILDI.TEST ADINA DIGER PARAMETRELER GOZ ARDI EDILEBILIR.
from mpl_toolkits.mplot3d import Axes3D
fig = plt.figure()
ax = fig.add_subplot(111, projection='3d')
x1 = X["Temperature (C)"]
x2 = X["Wind Speed (km/h)"]
ax.scatter(x1, x2, y, c='r', marker='o')

ax.set_xlabel('Temperature-Sıcaklık (C)')
ax.set_ylabel('Wind Speed-Ruzgar Hızı (km/h)')
ax.set_zlabel('Humidity-Nem')

# REGRESYON ANALIZI ICIN KUTUPHANEMIZI CALISMAMIZA DAHIL EDELIM.
# mlr_model'IMIZI REGRESYON MODELI OLARAK TANIMLAYALIM.
# SON OLARAK MODELIMIZI YAPIMIZA UYDURUYORUZ.(ADAPTE) - fit(X,y): fitting
from sklearn.linear_model import LinearRegression
mlr_model = LinearRegression()
mlr_model.fit(X, y)

# ILGILI PARAMETRELERIMIZI REGRESYON FORMULAZASYONU ICIN UYARLAYALIM.
# theta0 = intercept value = KESISIMIN DEGERI.
# theta1 - theta2 = REGRESSION COEFFICIENTS = REGRESYON KATSAYILARI
theta0 = mlr_model.intercept_
theta1, theta2 = mlr_model.coef_
theta0, theta1, theta2

# PARAMETRELERIMIZI YAPILANDIRDIKTAN SONRA HERHANGI BIR GIRILECEK DEGER ICIN TAHMIN YAPALIM.
# ORNEGIN; 18,16
y_pred = mlr_model.predict([[18, 16]])
y_pred

Accuracy Value: 0.9557522123893806