import pandas as pd
from sklearn.preprocessing import MinMaxScaler

# Veri setini yükleyip tab karakteri ile ayırdık
data = pd. read_csv('data.txt',sep = '\t')

# Eksik değerleri median ile doldurduk
data = data. replace( 0 , data. median())

# Özellikler ve hedef değişkeni ayırdık
X = data. iloc[:, : - 1 ]
y = data. iloc[:, - 1 ]

# Min-Max normalizasyonu uyguladık
scaler = MinMaxScaler()
X_normalized = scaler. fit_transform(X)

# Normalizasyon sonrası veriyi tekrar DataFrame'e dönüştürdük
data_normalized = pd. DataFrame(X_normalized, columns = X. columns)
data_normalized['Outcome'] = y. values

# Normalizasyon sonrası özet yazdıralım
data_normalized. to_csv('normalizasyon-data.csv', index =False )
print(data_normalized. head())

6 148 72 35 0 33.6 0.627 \
0 0.0000 0.264516 0.428571 0.239130 0.021635 0.171779 0.
1 0.4375 0.896774 0.408163 0.173913 0.021635 0.104294 0.
2 0.0000 0.290323 0.428571 0.173913 0.096154 0.202454 0.
3 0.1250 0.600000 0.163265 0.304348 0.185096 0.509202 0.
4 0.2500 0.464516 0.510204 0.173913 0.021635 0.151329 0.

50 Outcome
0 0.166667 0
1 0.183333 1
2 0.000000 0
3 0.200000 1
4 0.150000 0

from sklearn.preprocessing import StandardScaler
from sklearn.decomposition import PCA
from sklearn.discriminant_analysis import LinearDiscriminantAnalysis as LDA

# Normalizasyon sonrası veri setini yükleyelim
data = pd. read_csv('normalizasyon-data.csv')

# Eksik değerleri median ile doldurduk
data = data. replace( 0 , data. median())

# Özellikler ve hedef değişkeni ayırdık
X = data. iloc[:, : - 1 ]
y = data. iloc[:, - 1 ]

# Veriyi normalleştirdik
scaler = StandardScaler()
X_scaled = scaler. fit_transform(X)

# PCA uyguladık

In [10]:

In [11]:

In [12]:

In [15]:

pca = PCA(n_components = 2 )
X_pca = pca. fit_transform(X_scaled)

# PCA bileşenleri
pca_components = pd. DataFrame(pca. components_, columns = X. columns, index = ['PC1',

# LDA uyguladık tek bileşenle
lda = LDA(n_components = 1 )
X_lda = lda. fit_transform(X_scaled, y)

# LDA bileşenleri
lda_components = pd. DataFrame(lda. scalings_, index = X. columns, columns = ['LD1'])

# Sonuçları raporladık
print("PCA Bileşenleri:")
print(pca_components)

print("\nLDA Bileşenleri:")
print(lda_components)

# PCA ve LDA ile boyut indirgeme sonrası veriyi birleştidik
data_pca = pd. DataFrame(X_pca, columns = ['PC1', 'PC2'])
data_pca['Outcome'] = y. values

data_lda = pd. DataFrame(X_lda, columns = ['LD1'])
data_lda['Outcome'] = y. values

# PCA ve LDA ile boyut indirgeme sonrası veriyi kaydettik
data_pca. to_csv('pima-indians-diabetes-pca.csv', index =False )
data_lda. to_csv('pima-indians-diabetes-lda.csv', index =False )

PCA Bileşenleri:
6 148 72 35 0 33.6 0.627 \
PC1 0.297340 0.422200 0.365822 0.418131 0.287195 0.439789 0.
PC2 -0.510623 0.030641 -0.269816 0.311340 0.372937 0.286497 0.

50
PC1 0.
PC2 -0.

LDA Bileşenleri:
LD
6 -0.
148 -0.
72 0.
35 0.
0 0.
33.6 -0.
0.627 -0.
50 -0.

from sklearn.model_selection import train_test_split

# Veri setini yükledik
data = pd. read_csv('data.txt',sep = '\t')

# Eksik değerleri median ile doldurduk
data = data. replace( 0 , data. median())

# Özellikler ve hedef değişkeni ayırdık

In [16]:

In [17]:

X = data. iloc[:, : - 1 ]
y = data. iloc[:, - 1 ]

# Veriyi normalleştirdik
scaler = StandardScaler()
X_scaled = scaler. fit_transform(X)

# Veri setini %70 eğitim ve %30 test olarak ayırdık
X_train, X_test, y_train, y_test = train_test_split(X_scaled, y, test_size = 0.3,

################################################# Çoklu Doğrusal Regresyon ##
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error, r2_score

# Çoklu doğrusal regresyon modeli oluşturun ve eğitin
lr = LinearRegression()
lr. fit(X_train, y_train)

# Katsayıları ve kesişim noktalarını raporlayın
print("Çoklu Doğrusal Regresyon Katsayıları:", lr. coef_)
print("Çoklu Doğrusal Regresyon Kesişim Noktası:", lr. intercept_)

# Test kümesi üzerinde tahminler yapın
y_pred_lr = lr. predict(X_test)

# Performans metriklerini hesaplayın
mse_lr = mean_squared_error(y_test, y_pred_lr)
r2_lr = r2_score(y_test, y_pred_lr)
print("Çoklu Doğrusal Regresyon MSE:", mse_lr)
print("Çoklu Doğrusal Regresyon R^2:", r2_lr)

Çoklu Doğrusal Regresyon Katsayıları: [0.07133064 0.18677481 0.00291997 0.
3 0.00249816 0.
0.05130647 0.01913137]
Çoklu Doğrusal Regresyon Kesişim Noktası: 0.
Çoklu Doğrusal Regresyon MSE: 0.
Çoklu Doğrusal Regresyon R^2: 0.

################################################# Multinominal Lojistik Regresyo
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score, confusion_matrix, classification_rep

# Multinominal lojistik regresyon modeli oluşturun ve eğitin
log_reg = LogisticRegression(multi_class = 'multinomial', solver = 'lbfgs', max_iter
log_reg. fit(X_train, y_train)

# Katsayıları ve kesişim noktalarını raporlayın
print("Multinominal Lojistik Regresyon Katsayıları:", log_reg. coef_)
print("Multinominal Lojistik Regresyon Kesişim Noktası:", log_reg. intercept_)

# Test kümesi üzerinde tahminler yapın
y_pred_log_reg = log_reg. predict(X_test)

# Performans metriklerini hesaplayın
accuracy_log_reg = accuracy_score(y_test, y_pred_log_reg)
conf_matrix_log_reg = confusion_matrix(y_test, y_pred_log_reg)
class_report_log_reg = classification_report(y_test, y_pred_log_reg)
print("Multinominal Lojistik Regresyon Doğruluk:", accuracy_log_reg)
print("Multinominal Lojistik Regresyon Confusion Matrix:\n", conf_matrix_log_reg
print("Multinominal Lojistik Regresyon Classification Report:\n", class_report_l

In [18]:

In [20]:

Multinominal Lojistik Regresyon Katsayıları: [[ 0.20174049 0.53362724 -0.
7 0.01527212 -0.00921502 0.
0.16406099 0.06847369]]
Multinominal Lojistik Regresyon Kesişim Noktası: [-0.42854374]
Multinominal Lojistik Regresyon Doğruluk: 0.
Multinominal Lojistik Regresyon Confusion Matrix:
[[138 13]
[ 33 47]]
Multinominal Lojistik Regresyon Classification Report:
precision recall f1-score support

0 0.81 0.91 0.86 151
1 0.78 0.59 0.67 80

accuracy 0.80 231
macro avg 0.80 0.75 0.76 231
weighted avg 0.80 0.80 0.79 231

################################################# Karar Ağacı Sınıflandırma #
# Veri setini yükledik
data = pd. read_csv('data.txt',sep = '\t')

# Eksik değerleri median ile doldurduk
data = data. replace( 0 , data. median())

# Özellikler ve hedef değişkeni ayırdık
X = data. iloc[:, : - 1 ]
y = data. iloc[:, - 1 ]

# Veriyi normalleştirdik
scaler = StandardScaler()
X_scaled = scaler. fit_transform(X)

# Veri setini %70 eğitim ve %30 test olarak ayırdık
X_train, X_test, y_train, y_test = train_test_split(X_scaled, y, test_size = 0.3,

from sklearn.tree import DecisionTreeClassifier
from sklearn.metrics import accuracy_score, confusion_matrix, classification_rep
from sklearn import tree
import matplotlib.pyplot as plt

# Karar ağacı sınıflandırma modeli oluşturun ve eğitin
dt = DecisionTreeClassifier(random_state = 42 )
dt. fit(X_train, y_train)

# Ağaç yapısını görselleştirin
plt. figure(figsize = ( 20 , 10 ))
tree. plot_tree(dt, feature_names = data. columns[: - 1 ], class_names = ['0', '1'], fill
plt. show()

# Test kümesi üzerinde tahminler yapın
y_pred_dt = dt. predict(X_test)

# Performans metriklerini hesaplayın
accuracy_dt = accuracy_score(y_test, y_pred_dt)
conf_matrix_dt = confusion_matrix(y_test, y_pred_dt)
class_report_dt = classification_report(y_test, y_pred_dt)
print("Karar Ağacı Sınıflandırma Doğruluk:", accuracy_dt)

In [21]:

In [26]:

print("Karar Ağacı Sınıflandırma Confusion Matrix:\n", conf_matrix_dt)
print("Karar Ağacı Sınıflandırma Classification Report:\n", class_report_dt)

Karar Ağacı Sınıflandırma Doğruluk: 0.
Karar Ağacı Sınıflandırma Confusion Matrix:
[[118 33]
[ 38 42]]
Karar Ağacı Sınıflandırma Classification Report:
precision recall f1-score support

0 0.76 0.78 0.77 151
1 0.56 0.53 0.54 80

accuracy 0.69 231
macro avg 0.66 0.65 0.66 231
weighted avg 0.69 0.69 0.69 231

################################################# Naive Bayes Sınıflandırma #
# Veri setini yükledik
data = pd. read_csv('data.txt',sep = '\t')

# Eksik değerleri median ile doldurduk
data = data. replace( 0 , data. median())

# Özellikler ve hedef değişkeni ayırdık
X = data. iloc[:, : - 1 ]
y = data. iloc[:, - 1 ]

# Veriyi normalleştirdik
scaler = StandardScaler()
X_scaled = scaler. fit_transform(X)

# Veri setini %70 eğitim ve %30 test olarak ayırdık
X_train, X_test, y_train, y_test = train_test_split(X_scaled, y, test_size = 0.3,

from sklearn.naive_bayes import GaussianNB
from sklearn.metrics import accuracy_score, confusion_matrix, classification_rep
import matplotlib.pyplot as plt
import numpy as np

# Naive Bayes sınıflandırma modeli oluşturun ve eğitin

In [23]:

In [24]:

nb = GaussianNB() nb**.** fit(X_train, y_train)

# Test kümesi üzerinde tahminler yapın y_pred_nb = nb**.** predict(X_test) y_proba_nb = nb**.** predict_proba(X_test)[:, 1 ]

# Performans metriklerini hesaplayın accuracy_nb = accuracy_score(y_test, y_pred_nb) conf_matrix_nb = confusion_matrix(y_test, y_pred_nb) class_report_nb = classification_report(y_test, y_pred_nb)

# Sensitivity, Specificity, F1-score hesaplama tp = conf_matrix_nb[ 1 , 1 ] tn = conf_matrix_nb[ 0 , 0 ] fp = conf_matrix_nb[ 0 , 1 ] fn = conf_matrix_nb[ 1 , 0 ]

sensitivity_nb = tp / (tp + fn) specificity_nb = tn / (tn + fp) f1_score_nb = 2 ***** (sensitivity_nb ***** specificity_nb) / (sensitivity_nb + specific

# ROC Curve ve AUC hesaplama roc_auc_nb = roc_auc_score(y_test, y_proba_nb) fpr, tpr, thresholds = roc_curve(y_test, y_proba_nb)

# Sonuçları raporlama print("Naive Bayes Sınıflandırma Doğruluk:", accuracy_nb) print("Naive Bayes Sınıflandırma Confusion Matrix:\n", conf_matrix_nb) print("Naive Bayes Sınıflandırma Classification Report:\n", class_report_nb) print("Naive Bayes Sınıflandırma Sensitivity:", sensitivity_nb) print("Naive Bayes Sınıflandırma Specificity:", specificity_nb) print("Naive Bayes Sınıflandırma F1-Score:", f1_score_nb) print("Naive Bayes Sınıflandırma ROC AUC:", roc_auc_nb)

# ROC curve plot plt**.** figure() plt**.** plot(fpr, tpr, color = 'blue', lw = 2 , label = 'ROC curve (area = %0.2f)' % roc_au plt**.** plot([ 0 , 1 ], [ 0 , 1 ], color = 'gray', lw = 2 , linestyle = '--') plt**.** xlim([0.0, 1.0]) plt**.** ylim([0.0, 1.05]) plt**.** xlabel('False Positive Rate') plt**.** ylabel('True Positive Rate') plt**.** title('Receiver Operating Characteristic') plt**.** legend(loc = "lower right") plt**.** show()

Naive Bayes Sınıflandırma Doğruluk: 0.
Naive Bayes Sınıflandırma Confusion Matrix:
[[126 25]
[ 34 46]]
Naive Bayes Sınıflandırma Classification Report:
precision recall f1-score support

0 0.79 0.83 0.81 151
1 0.65 0.57 0.61 80

accuracy 0.74 231
macro avg 0.72 0.70 0.71 231
weighted avg 0.74 0.74 0.74 231

Naive Bayes Sınıflandırma Sensitivity: 0.
Naive Bayes Sınıflandırma Specificity: 0.
Naive Bayes Sınıflandırma F1-Score: 0.
Naive Bayes Sınıflandırma ROC AUC: 0.

In [ ]: