mushroom_final_project_Buket_Kalfa_

mushroom_final_project_Buket_Kalfa_

Mantar Sınıflandırma Projesi

Bu proje, mantarların yenilebilir veya zehirli olduğunu sınıflandırmak için makine öğrenmesi tekniklerini kullanır. İki temel öğrenme tekniği uygulanmıştır: Gözetimli Öğrenme (Logistic Regression) ve Gözetimsiz Öğrenme (K-Means Kümeleme).

[Kaggle Notebook "Buket_Kalfa_ML" linki]https://www.kaggle.com/code/buketkalfa/buket-kalfa-ml

Veri Seti

Veri seti, Kaggle'dan alınan mushrooms.csv dosyasını içerir. Bu veri seti 8124 örnek ve 23 özelliğe sahiptir. Özellikler, mantarların çeşitli fiziksel ve kimyasal özelliklerini temsil eder.

Kurulum

Projede kullanılan kütüphaneler: • numpy • pandas • matplotlib • seaborn • sklearn Bu kütüphaneler, veri işleme, görselleştirme ve modelleme işlemleri için kullanılır.

1. Veri Setini Yükleme

import pandas as pd

df = pd.read_csv('/kaggle/input/mushroom-classification/mushrooms.csv')

2. Veri Analizi

Veri setindeki bağımlı değişken olan class'ın (yenilebilir/zehirli) dağılımı görselleştirildi.

odor (koku) özelliğinin sınıf dağılımı üzerinde nasıl bir etkisi olduğuna bakıldı.

import matplotlib.pyplot as plt
import seaborn as sns

Bağımlı değişkenin (class) dağılımı

sns.countplot(x='class', data=df)
plt.title('Sınıf Dağılımı (Yenilebilir/Zehirli)')
plt.show()

Koku Özelliği ile Sınıf Dağılımı

plt.figure(figsize=(12,6))
sns.countplot(x='odor', data=df, hue='class')
plt.title('Koku Özelliği ile Sınıf Dağılımı')
plt.show()

3. Veri Ön İşleme

Veriler etiketlendi ve modellemeye hazır hale getirildi. Eğitim ve test veri setleri ayrıldı.

from sklearn.preprocessing import LabelEncoder
from sklearn.model_selection import train_test_split

label_encoder = LabelEncoder()
for column in df.columns:
    df[column] = label_encoder.fit_transform(df[column])

X = df.drop('class', axis=1)
y = df['class']
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

4. Gözetimli Öğrenme: Logistic Regression

Logistic Regression algoritması kullanılarak mantarların sınıflandırılması sağlandı. Modelin doğruluk skoru ve sınıflandırma raporu alındı.

from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score, classification_report

model = LogisticRegression(max_iter=500)
model.fit(X_train, y_train)

y_pred = model.predict(X_test)
print('Doğruluk Skoru:', accuracy_score(y_test, y_pred))
print('Sınıflandırma Raporu:')
print(classification_report(y_test, y_pred))

5. Gözetimsiz Öğrenme: K-Means Kümeleme

K-Means algoritması ile mantarlar kümelere ayrıldı ve kümelerin sınıflarla olan ilişkisi incelendi.

from sklearn.cluster import KMeans
import seaborn as sns
import matplotlib.pyplot as plt

K-Means Kümeleme

kmeans = KMeans(n_clusters=2, random_state=42, n_init=10)
kmeans.fit(X)
df['cluster'] = kmeans.labels_

Kümeleme Sonuçları

sns.countplot(x='cluster', data=df)
plt.title('K-Means Kümeleme Sonuçları')
plt.show()

Kümelerin Sınıflarla Eşleşmesi

ct = pd.crosstab(df['class'], df['cluster'])
print(ct)

Sonuçlar

Gözetimli Öğrenme (Logistic Regression)

• Doğruluk Skoru: 0.9477

• Sınıflandırma Raporu:

o Yenilebilir: Precision 0.95, Recall 0.95, F1-Score 0.95

o Zehirli: Precision 0.94, Recall 0.95, F1-Score 0.95

Gözetimsiz Öğrenme (K-Means Kümeleme)

K-Means algoritması, mantarları iki kümeye ayırdı. Kümeler ve gerçek sınıflar arasındaki eşleşme: • Kümeler ve sınıfların eşleşmesi aşağıda gösterilmiştir:

cluster 0 1 class
0 192 4016 1 1744 2172

Sonuç

Logistic Regression modelimiz yüksek doğruluk sağlamıştır ve K-Means kümeleme sonuçları, sınıfların belirli kümelere nasıl ayrıldığını göstermektedir. Her iki teknik de veri setindeki mantarları analiz etmede etkili olmuştur.