Veri ve model

Veri (data), ML algoritmalarının öğrenme kaynağıdır; özellik (feature) ve etiket (label) sütunlarından oluşur.

Veri: satırlar ve sütunlar

ML verisi bir tablodur. Her satır bir örnektir (bir ev, bir müşteri), her sütun bir özelliktir (metrekare, yaş). Python'da bu tablo genellikle iki boyutlu bir NumPy dizisidir:

import numpy as np
X = np.array([[50, 1],
              [80, 2],
              [120, 3]])
print(X.shape)   # (3, 2): 3 örnek, 2 özellik

scikit-learn her zaman X'in iki boyutlu olmasını bekler; tek özellik olsa bile [[50], [80]] biçiminde yazılır.

Model: öğrenilen parametreler

Eğitim, modelin parametrelerini veriye uyacak biçimde ayarlamaktır. Doğrusal regresyonda parametreler eğim ve kesişimdir; scikit-learn bunları alt çizgiyle biten özniteliklerde saklar:

from sklearn.linear_model import LinearRegression
m = LinearRegression().fit([[1], [2], [3]], [3, 5, 7])
print(m.coef_, m.intercept_)   # [2.] 1.0  ->  y = 2x + 1

Sondaki _, değerin fit sırasında öğrenildiğini gösteren bir scikit-learn geleneğidir.

Uygulama Parametreleri oku

Hazır veriye bir LinearRegression uydur. Eğimi (coef_[0]) ve kesişimi (intercept_) round ile tam sayıya yuvarlayıp aralarında boşlukla yazdır.

Örnek çözümü göster

from sklearn.linear_model import LinearRegression

X = [[1], [2], [3], [4]]
y = [5, 8, 11, 14]

m = LinearRegression().fit(X, y)
print(round(m.coef_[0]), round(m.intercept_))

Kendini test et

<code>X.shape</code> değeri <code>(200, 5)</code> ise veri setinde kaç örnek vardır?
- 200
- 5
- 1000
- 205
Cevabı göster

200 — İlk boyut satır (örnek) sayısı, ikinci boyut sütun (özellik) sayısıdır.

Dizinin boyutlarını yazdır.

X = np.array([[1, 2], [3, 4], [5, 6]])
print(X.____)

Cevabı göster

X = np.array([[1, 2], [3, 4], [5, 6]])
print(X.shape)

Terimleri eşleştir.

satır

Bir örnek
sütun

Bir özellik
coef_

Öğrenilen eğim
intercept_

Öğrenilen kesişim

Sıradaki ders: Eğitim ve test

Deneyiminizi Geliştiriyoruz

Çerez Tercihleri

Kesinlikle Gerekli Çerezler

Analitik Çerezler