Python за анализу података: машинско учење уз Scikit-Learn

Аутор Yasin TANIŞ

Првобитно објављено на Medium-у

Насловна илустрација о машинском учењу уз Scikit-Learn

Увод

Машинско учење је научна област која рачунарима омогућава да уче из података и праве предвиђања, и данас се користи у многим делатностима. У овом тексту разматрамо Scikit-Learn, једну од најкоришћенијих Python библиотека за израду апликација машинског учења.

Шта је Scikit-Learn

Scikit-Learn је библиотека за машинско учење која нуди једноставне и ефикасне алате за Python. Садржи алгоритме и за надгледано и за ненадгледано учење.

Инсталација

Пре почетка библиотеку треба инсталирати. Ако је немате на систему, инсталирајте је овом командом:

pip install scikit-learn

Напомена: примери су намерно једноставни како би илустровали појмове; нису увек најбоља мера или метода за сваки сценарио.

Надгледано учење

Надгледано учење ради с означеним подацима: исходи (ознаке) примера су познати, па модел може да научи да их предвиђа.

Логистичка регресија

Логистичка регресија је често коришћен алгоритам за проблеме класификације.

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score
# Veri setini yükle
iris = load_iris()
X = iris.data
y = iris.target
# Veriyi eğitim ve test olarak ayır
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# Model oluştur ve eğit
model = LogisticRegression(max_iter=200)
model.fit(X_train, y_train)
# Tahmin yap ve doğruluğu ölç
y_pred = model.predict(X_test)
accuracy = accuracy_score(y_test, y_pred)
print(f'Model accuracy: {accuracy}')
Model Accuracy : 1.0

Овај код учитава скуп података Iris, дели га на обележја и циљ, обучава модел и исписује његову тачност.

Стабла одлучивања

Стабла одлучивања су моћан алгоритам и за класификацију и за регресију.

from sklearn.tree import DecisionTreeClassifier

# Model oluştur ve eğit
tree_model = DecisionTreeClassifier(random_state=42)
tree_model.fit(X_train, y_train)

# Tahmin yap ve doğruluğu ölç
y_pred_tree = tree_model.predict(X_test)
accuracy_tree = accuracy_score(y_test, y_pred_tree)

print(f'Decision Tree Model accuracy: {accuracy_tree}')
Decision Tree Model Accuracy: 1.0

Ненадгледано учење

Ненадгледано учење не користи означене податке; модел сам покушава да научи структуру података.

Кластеровање K-Means

K-Means је чест алгоритам кластеровања који дели податке у k кластера.

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

# Örnek veri seti oluştur
from sklearn.datasets import make_blobs
X, _ = make_blobs(n_samples=300, centers=4, random_state=42)

# Model oluştur ve eğit
kmeans = KMeans(n_clusters=4, random_state=42)
kmeans.fit(X)

# Tahmin yap ve kümeleri görselleştir
y_kmeans = kmeans.predict(X)

plt.scatter(X[:, 0], X[:, 1], c=y_kmeans, s=50, cmap='viridis')
centers = kmeans.cluster_centers_
plt.scatter(centers[:, 0], centers[:, 1], c='red', s=200, alpha=0.75)
plt.title('K-Means Clustering')
plt.show()
Расути графикон с резултатом кластеровања K-Means
Излаз кода: кластеровање K-Means уз Scikit-Learn.

Анализа главних компоненти (PCA)

PCA је техника за свођење вишедимензионалних података на мањи број димензија.

from sklearn.decomposition import PCA

# Model oluştur ve eğit
pca = PCA(n_components=2)
X_pca = pca.fit_transform(X)

plt.scatter(X_pca[:, 0], X_pca[:, 1], c=y_kmeans, s=50, cmap='viridis')
plt.title('PCA Visualization')
plt.show()
Подаци Iris приказани на прве две главне компоненте
Излаз кода: PCA визуелизација уз Scikit-Learn.

Подешавање хиперпараметара

Подешавање хиперпараметара важан је корак да би модел дао најбоље резултате. Класа GridSearchCV из Scikit-Learn-а то олакшава.

from sklearn.model_selection import GridSearchCV
from sklearn.svm import SVC

# Parametre uzayını tanımla
param_grid = {'C': [0.1, 1, 10], 'kernel': ['rbf', 'linear']}

# Grid search nesnesi oluştur
grid_search = GridSearchCV(SVC(), param_grid, cv=5)

# Grid search'ü uygula
grid_search.fit(X_train, y_train)

print("En iyi parametreler:", grid_search.best_params_)
print("En iyi skor:", grid_search.best_score_)
En iyi parametreler: {'C': 1, 'kernel': 'linear'}
En iyi skor: 0.9583333333333334

(Ознаке у излазу су на турском јер их изворни код тако исписује: „најбољи параметри” и „најбољи резултат”.)

Унакрсна валидација

Унакрсна валидација је важна техника за мерење колико добро модел генерализује на нове податке.

import numpy as np

# Örnek sayısını en küçük olan veri setine eşitleyin
min_samples = min(X.shape[0], y.shape[0])

# Rastgele örnekleme yapın
np.random.seed(42)  # Tekrarlanabilirlik için
indices = np.random.choice(X.shape[0], min_samples, replace=False)
X = X[indices]
y = y[:min_samples]  # y zaten daha küçük

print("New X shape:", X.shape)
print("New y shape:", y.shape)
New X shape: (150, 2)
New y shape: (150,)
from sklearn.model_selection import cross_val_score
from sklearn.linear_model import LogisticRegression

# Lojistik regresyon modelini oluştur
log_reg = LogisticRegression()

# 5-fold cross-validation uygula
scores = cross_val_score(log_reg, X, y, cv=5)
print("Cross-validation skorları:", scores)
print("Ortalama skor:", scores.mean())
Cross-validation skorları: [0.33333333 0.4 0.26666667 0.36666667 0.3 ]
Ortalama skor: 0.33333333333333337

Напомена о исправци: ниски резултати овде потичу из претходног корака, а не од модела. Код за поновно узорковање насумично меша редове у X, али ознаке у y не меша на исти начин, па ознаке више не одговарају редовима и модел пада на ниво случајности (око 0,33 код три класе). Ако се тај корак изостави или се X и y бирају истим индексима, резултати поново расту. Метрике и резултат pipeline-а испод ниски су из истог разлога, јер користе исте податке.

Избор и инжењеринг обележја

Избор и инжењеринг обележја имају кључну улогу у перформансама модела. Scikit-Learn нуди алате који олакшавају те кораке.

from sklearn.feature_selection import SelectKBest, f_classif

# En iyi 2 özelliği seç
selector = SelectKBest(f_classif, k=2)
X_new = selector.fit_transform(X, y)

print("Seçilen özellikler:", selector.get_support())
Seçilen özellikler: [ True True]

Тумачење модела

Нарочито код модела као што су стабла одлучивања важно је разумети како модел доноси одлуке.

from sklearn.tree import plot_tree
import matplotlib.pyplot as plt

# Karar ağacını görselleştir
plt.figure(figsize=(20,10))
plot_tree(tree_model, feature_names=iris.feature_names, class_names=iris.target_names, filled=True)
plt.show()
Дијаграм стабла одлучивања обученог на скупу података Iris

Графикон приказује стабло одлучивања класификатора обученог на скупу Iris. Стабло помоћу неколико правила раздваја класе setosa, versicolor и virginica:

  1. Коренски чвор: услов petal length ≤ 2,45 cm; Gini 0,667; 120 примера, расподела [40, 41, 39]. Овде су класе највише измешане.
  2. Леви чвор: Gini 0,0; свих 40 примера припада класи setosa. Једно правило потпуно издваја класу setosa.
  3. Десни чвор (petal length > 2,45 cm): Gini 0,5; 80 примера, расподела [0, 41, 39]. Versicolor и virginica су и даље измешане.
  4. Финија подела: услов petal length ≤ 4,75 cm; Gini 0,206; 43 примера, расподела [0, 5, 38], већином virginica.
  5. Нижи чворови: услов petal width ≤ 1,75 cm; Gini 0,0; свих 35 примера припада класи virginica.

Сваки чвор приказује Gini коефицијент, број примера и расподелу класа, па се тачно види које обележје модел користи у којој тачки и како одлучује.

Ансамбл методе

Ансамбл методе комбинују више модела да би дале јача предвиђања. Random Forest је једна од најпопуларнијих.

from sklearn.ensemble import RandomForestClassifier

# Random Forest modeli oluştur ve eğit
rf_model = RandomForestClassifier(n_estimators=100, random_state=42)
rf_model.fit(X_train, y_train)

# Tahmin yap ve doğruluğu ölç
y_pred_rf = rf_model.predict(X_test)
accuracy_rf = accuracy_score(y_test, y_pred_rf)

print(f'Random Forest Model accuracy: {accuracy_rf}')
Random Forest Model accuracy: 1.0

Метрике вредновања

Осим тачности, важне су и друге метрике вредновања.

from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import classification_report, confusion_matrix

# Veri setini ayır
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

# Modeli eğit
log_reg = LogisticRegression()
log_reg.fit(X_train, y_train)

# Tahminler yap
y_pred_log = log_reg.predict(X_test)

# Sınıflandırma raporu oluştur
print(classification_report(y_test, y_pred_log, target_names=iris.target_names))

# Confusion matrix oluştur
cm = confusion_matrix(y_test, y_pred_log)
print("Confusion Matrix:\n", cm)
Излаз с извештајем о класификацији и матрицом конфузије
Излаз кода: метрике класификације.

Ови резултати показују перформансе модела обученог на измешаним подацима из претходног одељка:

  • Прецизност, удео тачних међу позитивним предвиђањима: setosa 17 %, versicolor 15 %, virginica 37 %.
  • Одзив, удео пронађених међу стварно позитивним примерима: setosa 5 %, versicolor 23 %, virginica 54 %.
  • F1 мера, хармонијска средина прецизности и одзива: setosa 0,08, versicolor 0,18, virginica 0,44.
  • Укупна тачност: 24 %.
  • Макро просек: прецизност 23 %, одзив 27 %, F1 23 %. Пондерисани просек: прецизност 22 %, одзив 24 %, F1 21 %.

У матрици конфузије 1 пример класе setosa предвиђен је тачно, 12 као versicolor и 6 као virginica; код versicolor 3 тачно, 4 као setosa и 6 као virginica; код virginica 7 тачно, 1 као setosa и 5 као versicolor.

Тумачење и предлози

Укупне перформансе су ниске; најбоља је virginica, али ни она није довољно добра. Као што објашњава напомена о исправци, главни узрок су измешане ознаке. Осим тога, ови кораци углавном побољшавају перформансе:

  • Испробати јаче моделе као што су Random Forest или SVM и подесити хиперпараметре
  • Додати нова обележја или трансформисати постојећа
  • Уравнотежити класе методама као што је SMOTE ако су неуравнотежене
  • Користити унакрсну валидацију како би се уочило преприлагођавање (overfitting) или потприлагођавање (underfitting)

Примена у пракси: сегментација купаца

Као примену у пракси узмимо сегментацију купаца једне компаније за е-трговину.

from sklearn.preprocessing import StandardScaler
from sklearn.cluster import KMeans

# Örnek veri oluştur (gerçek senaryoda bu veri müşteri veritabanından gelir)
customer_data = np.random.rand(1000, 3)  # 1000 müşteri, 3 özellik (örn: yaş, toplam harcama, ziyaret sıklığı)

# Veriyi ölçeklendir
scaler = StandardScaler()
customer_data_scaled = scaler.fit_transform(customer_data)

# K-Means uygula
kmeans = KMeans(n_clusters=4, random_state=42)
clusters = kmeans.fit_predict(customer_data_scaled)

print("Müşteri segmentleri:", np.unique(clusters))
Müşteri segmentleri: [0 1 2 3]

Pipeline у Scikit-Learn-у

Pipeline повезује кораке предобраде и обуке модела, па је код чистији и ефикаснији.

from sklearn.pipeline import Pipeline
from sklearn.preprocessing import StandardScaler

# Pipeline oluştur
pipeline = Pipeline([
    ('scaler', StandardScaler()),
    ('classifier', LogisticRegression())
])

# Pipeline'ı eğit ve değerlendir
pipeline.fit(X_train, y_train)
accuracy_pipeline = pipeline.score(X_test, y_test)

print(f'Pipeline Model accuracy: {accuracy_pipeline}')
Pipeline Model accuracy: 0.24444444444444444

Студија случаја: класификација на скупу Iris

У овој студији примењујемо више алгоритама машинског учења на скуп Iris и поредимо резултате.

Припрема података

Прво учитавамо скуп података и делимо га на скуп за обуку и скуп за тестирање.

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split

# Veri setini yükle
iris = load_iris()
X = iris.data
y = iris.target

# Veriyi eğitim ve test olarak ayır
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

Примена и поређење алгоритама

Сада примењујемо логистичку регресију, стабло одлучивања и KNN и поредимо резултате.

from sklearn.linear_model import LogisticRegression
from sklearn.tree import DecisionTreeClassifier
from sklearn.neighbors import KNeighborsClassifier
from sklearn.metrics import accuracy_score

# Lojistik Regresyon
log_reg = LogisticRegression(max_iter=200)
log_reg.fit(X_train, y_train)
y_pred_log = log_reg.predict(X_test)
accuracy_log = accuracy_score(y_test, y_pred_log)

# Karar Ağaçları
tree_model = DecisionTreeClassifier(random_state=42)
tree_model.fit(X_train, y_train)
y_pred_tree = tree_model.predict(X_test)
accuracy_tree = accuracy_score(y_test, y_pred_tree)

# KNN
knn = KNeighborsClassifier(n_neighbors=3)
knn.fit(X_train, y_train)
y_pred_knn = knn.predict(X_test)
accuracy_knn = accuracy_score(y_test, y_pred_knn)

print(f'Logistic Regression accuracy: {accuracy_log}')
print(f'Decision Tree accuracy: {accuracy_tree}')
print(f'KNN accuracy: {accuracy_knn}')
Logistic Regression accuracy: 1.0
Decision Tree accuracy: 1.0
KNN accuracy: 1.0

Закључак

У овом тексту прошли смо кроз фазе процеса машинског учења уз Scikit-Learn и видели како се примењују. Надгледане и ненадгледане алгоритме применили смо на скуп Iris, а поред основних алгоритама обрадили смо оптимизацију, вредновање и тумачење, примену у пракси и pipeline. Захваљујући широком скупу алата, Scikit-Learn стручњацима за науку о подацима и практичарима машинског учења олакшава решавање сложених проблема.

Извори

  1. Pedregosa, F. и др. (2011). Scikit-learn: Machine Learning in Python. Journal of Machine Learning Research, 12, 2825–2830.
  2. Документација Scikit-Learn-а: scikit-learn.org
  3. Hastie, T., Tibshirani, R. и Friedman, J. (2009). The Elements of Statistical Learning. Springer.
  4. Kuhn, M. и Johnson, K. (2013). Applied Predictive Modeling. Springer.
  5. Géron, A. (2019). Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow. O’Reilly Media.
  6. Müller, A. C. и Guido, S. (2016). Introduction to Machine Learning with Python. O’Reilly Media.
  7. Raschka, S. и Mirjalili, V. (2019). Python Machine Learning. Packt Publishing.
  8. VanderPlas, J. (2016). Python Data Science Handbook. O’Reilly Media.