Sosyal Ağlarda Makine Öğrenmesi 17 [ Rassal Ormanlar – 2]

Bu bölümde Rassal Orman Sınıflandırıcıyı kullandığımız yazılımı gerçekleştireceğiz.

Rassal Orman sınıflandırıcımız için öncelikle kütüphaneleri, veri setini içe aktardık. Veri setini test ve eğitim olarak iyiye ayırıp Feature Scaling işlemini yaptık.
Ardından asıl önemli kısma geçiyoruz. Ensemble kütüphanesinden RandomForestClassifier sınıfı içe aktarıp, classifier diye bir nesne oluşturduk. Buradaki özelliklere yakından bakalım.

n_estimators =Bizim kaç tane karar ağacı kullanacağımızı söylüyor. 10 tane kullandık.

criterion = Bölünmelerdeki kriter ne olsun dedi. Biz entropi yaklaşımını seçtik.

random_state= Sürekli kullandığımız, farklı denemelerde aynı eğitim ve test setini bölerek bir kararlılık sağlanmasını sağlıyor.

Sonuçları tahmin edip, hata matrisini oluşturuyoruz.
Eğitim seti sonuçlarını görselleştiriyoruz.

Test seti sonuçlarını görselleştiriyoruz.
Hata matrisimizde hatalı tahmin sayısı 5+3 = 8 oldu. Karar ağaçlarında bu sayı daha yüksekti.

You may also like...

Bir cevap yazın

E-posta hesabınız yayımlanmayacak. Gerekli alanlar * ile işaretlenmişlerdir