Sklearn kütüphanesi öğrenmeye çalışıyorum ama linearregression, .fit() ve .score ne işe yarıyor anlayamadım. Konuyla ilgili detaylı bilgi sahibi olan varsa kaynaklarla yardımcı olabilir mi?
Örneğin aşağıdaki kod ne işe yarar?
import pandas as pd
import numpy as np
veri=pd.read_csv("<U+202A>C:/Users/90551/OneDrive/Masaüstü/ogrenci.csv",delimiter=";")
veri.head()
veri.dtypes
cikti=np.array(veri["Final"])
girdiler=np.array(veri.drop("Final"), akis=1)
from sklearn.model_selection import train_test_split
X_egitim,X_test,y_egitim,y_test=train_test_split(girdiler,cikti,test_size=0.20,random_state=0)
from sklearn.linear_model import LinearRegression
lr=LinearRegression().fit(X_egitim,y_egitim)
lr.score=(X_egitim,y_egitim)
lr.score(X_test,y_test)
deneme_veri=np.array([[3,0,2,75,70]])
lr.predict(deneme_veri)
Kardeş merhaba, makine öğrenmesi ve derin öğrenme kütüphanelerinde fit() methodu modelin öğrenmesini sağlar. Yani modeli eğitmek için kullanılır. Hemen her modelde fit() kullanılır eğitim için.
Sonuçta model senin ona verdiğin x girişi ve y çıkışları ile öğrenirken, x ve y arasındaki matematiksel ilişkideki sabit sayıları (w ile b) keşfediyor. Bahsettiğim matematiksel ilişki genellikle y=wx+b şeklindedir. Denklemde x girişi bir ağırlık (katsayı) ile çarpılarak bias denilen sabit ile toplanır ve y elde edilir.
Makine öğrenmesinde öğrenme denilen mevzu x’leri kullanarak y’yi tahmin edecek modelin w ve b’yi öğrenmesidir aslında.
Sistem senin verdiğin x ve y’leri ilk etapta rastgele w ile b’lerle tek tek deniyor. Her yeni örnekte w ve b’yi değiştirerek daha doğru bir tahmin yapmaya çalışıyor. Nihayetinde x’lerden minimum hata ile y’leri elde edebileceği w ile b’leri belirlemiş oluyor. Böylece -hatasıza yakın- tahminler yapmaya başlıyor.
Sen yeni bir x (modelin daha önce hiç karşılamadığı bir x) verdiğinde ise öğrenme neticesinde belirlediği w ve b’yi kullanarak y’yi tahmin ediyor (predict)
Score denilen method ile öğrenme sonucunda modelin belirlediği w’yi veriyor anladığım kadarıyla.