Ayrıca, Python’da sinir ağları kurmak için geçmeniz gereken altı adımı kod örnekleriyle gösteren Keras kısa yol kılavuzumuzu kaçırmayın!
Yapay Sinir Ağlarına Giriş
Keras’a ve Python ile derin öğrenmeye nasıl başlayabileceğinize daha derine inmeden önce, sinir ağları hakkında bir iki şey bilmeniz iyi olur. Önceki bölümde kısaca okuduğunuz gibi, sinir ağları ilhamını biyolojiden alır; “sinir ağı” terimi, nöronlar için de kullanılabilir. İnsan beyni böyle bir sinir ağına örnektir ve sayısız nörondan oluşur.
Ve bildiğiniz gibi beyin oldukça karmaşık hesaplamalar yapabilir; Yapay Sinir Ağları fikri de buradan doğar. Ağın bütünü güçlü bir modelleme aracıdır.
Algılayıcılar
En basit sinir ağı “algılayıcı”dır; en basit hâliyle tek bir nörondan oluşur. Dendritleri ve aksonları olan biyolojik nöronlara benzer şekilde, tek yapay nöron giriş düğümleri ve her bir giriş düğümüne bağlı tek bir çıkış düğümünden oluşan basit bir ağaç yapısıdır. İşte ikisinin görsel bir karşılaştırması:
Görüntüden de görebileceğiniz gibi, yapay nöronların altı bileşeni vardır. Soldan sağa bunlar:
Girdi düğümleri . Her bir giriş düğümü bir sayısal değerle ilişkilidir ve bu herhangi bir reel sayı olabilir. Reel sayıların tüm sayılar kümesini oluşturduğunu unutmayın: pozitif veya negatif, tam ya da ondalık olabilirler.
Bağlantılar . Benzer şekilde, giriş düğümünden çıkan her bir bağlantının bir ağırlığı vardır ve bu da herhangi bir reel sayı olabilir.
Sonra, giriş düğümlerinin tüm değerleri ve bağlantıların ağırlıkları bir araya getirilir: bunlar bir ağırlıklı toplam için girdi olarak kullanılır: \(y = f(\sum_{i=1}^{D} w_i*x_i)\) ya da başka şekilde ifade edilirse, \(y = f(w_1*x_1 + w_2*x_2 + ... w_D*x_D)\) .
Bu sonuç bir transfer veya aktivasyon fonksiyonu için girdi olur. En basit ama önemsiz durumda, bu transfer fonksiyonu bir özdeşlik fonksiyonu \(f(x)=x\) ya da \(y=x\) olurdu. Bu durumda, \(x\) giriş düğümlerinin ve bağlantıların ağırlıklı toplamıdır. Ancak, tıpkı biyolojik bir nöron belirli bir eşik aşıldığında ateşlediği gibi, yapay nöron da girişlerin toplamı bir eşiği aştığında, örneğin 0 olduğunda, ateşler. Bu, özdeşlik fonksiyonunda göremeyeceğiniz bir şeydir! En sezgisel yol, aşağıdaki gibi bir sistem tasarlamaktır:
\(f(x) = 0\) eğer \(x<0\) \(f(x) = 0.5\) eğer \(x=0\) \(f(x) = 1\) eğer \(x>0\)
Elbette, çıktının düzgün bir çizgi olmayacağını şimdiden tahmin edebilirsiniz: süreksiz bir fonksiyon olacaktır. Bu, matematiksel işlemde sorunlara yol açabileceğinden, sürekli bir varyant olan sigmoid fonksiyonu sıklıkla kullanılır. Zaten bildiğiniz bir sigmoid fonksiyonu örneği lojistik fonksiyondur. Bu fonksiyonu kullanmak çok daha pürüzsüz bir sonuç verir!
Sonuç olarak bir çıkış düğümü elde edersiniz; bu düğüm, giriş düğümlerinin ağırlıklı toplamının bir fonksiyonuyla (örneğin sigmoid fonksiyonuyla) ilişkilidir. Sigmoid fonksiyonunun “S” şeklinde bir eğri verdiğini unutmayın; bunun hakkında daha sonra daha fazla okuyacaksınız.
Son olarak, algılayıcıda bias denilen ek bir parametre bulunabilir; bunu, değeri her zaman 1 olan ek bir giriş düğümüyle ilişkili ağırlık olarak düşünebilirsiniz. Bias değeri kritiktir çünkü aktivasyon fonksiyonunu sola veya sağa kaydırmanızı sağlar; bu da öğrenmenizin başarısını belirleyebilir.
Bu modelin mantıksal sonucu, algılayıcıların yalnızca sayısal verilerle çalıştığıdır. Bu da nominal verileri sayısal biçime dönüştürmeniz gerektiği anlamına gelir.
Algılayıcıların eşiklerle çalıştığını bildiğinize göre, bunları sınıflandırma amaçlı kullanmaya geçiş çok uzak değildir: algılayıcı, belirli bir eşiğin üzerindeki her çıktının bir örneğin bir sınıfa ait olduğunu, eşik altındaki çıktının ise diğer sınıfın üyesi olduğunu kabul edebilir. Çıktının eşik değerine eşit olduğu doğru çizgi ise iki sınıf arasındaki sınırdır.
Çok Katmanlı Algılayıcılar
Algılayıcı ağları çok katmanlı algılayıcılardır ve bu eğitimde Keras yardımıyla Python’da bunu uygulayacaksınız! Çok katmanlı algılayıcılara “ileribeslemeli sinir ağları” da denir. Artık tahmin edeceğiniz gibi, bunlar algılayıcıdan daha karmaşık ağlardır; çünkü katmanlar hâlinde düzenlenmiş birden çok nörondan oluşurlar. Katman sayısı genellikle iki ya da üç ile sınırlıdır ama teorik olarak bir sınır yoktur!
Katmanlar, yukarıda okuduğunuz biyolojik nöronlar gibi davranır: bir katmanın çıktıları bir sonraki katmanın girdileri olarak görev yapar.
Katmanlar arasında, bir giriş katmanı, gizli katmanlar ve bir çıkış katmanı ayırt edebilirsiniz. Çok katmanlı algılayıcılar genellikle tamamen bağlantılıdır. Bu, belirli bir katmandaki her algılayıcıdan bir sonraki katmandaki her algılayıcıya bir bağlantı olduğu anlamına gelir. Bağlılık bir zorunluluk olmasa da tipik olarak böyledir.
Algılayıcı yalnızca sınıflar arasında doğrusal ayrımları temsil edebilirken, çok katmanlı algılayıcı bu sınırlamayı aşar ve daha karmaşık karar sınırlarını da temsil edebilir.
Keras ile Python’da Şarap Türlerini Tahmin Etme
Bu eğitimde, UCI Makine Öğrenmesi Deposu’ndaki şarap kalitesi veri kümesinde bulabileceğiniz şarap kalitesi veri kümesini kullanacaksınız. İdeal olarak, derin öğrenmeyi daha büyük veri kümelerinde uygularsınız ancak bu eğitim amacıyla daha küçük bir küme kullanacaksınız. Bunun başlıca nedeni, kütüphaneyle başlamanızı sağlamak ve sinir ağlarının nasıl çalıştığına aşina olmanızdır.
Bu veri kümesini zaten biliyor olabilirsiniz; makine öğrenmesi problemlerini nasıl çözmeyi öğrenmeye başlamak için en popüler veri kümelerinden biridir. Bu durumda, Keras ile Python’da derin öğrenmeye başlamanız için hizmet edecek.
Hadi şimdi başlayalım!
Veriyi Anlama
Ancak veriyi yüklemeye başlamadan önce, şarap hakkında (elbette veri kümesiyle ilişkili) gerçekte ne kadar şey bildiğinizi kontrol etmek iyi bir fikir olabilir. Çoğunuzun genel olarak iki çok popüler şarap türü olduğunu bildiğini söyleyebiliriz: kırmızı ve beyaz.
(Başka birçok tür olduğunu biliyorum ama basitlik adına ve şaraplar konusundaki sınırlı bilgim nedeniyle burada duracağım. Aranızdaki gerçek uzmanları hayal kırıklığına uğratıyorsam özür dilerim :)).
Bunu bilmek bir adımdır ama bu veriyi analiz etmek istiyorsanız biraz daha fazla şey bilmeniz gerekir.
Önce, hangi değişkenlerin dahil edildiğini görmek için veri açıklaması klasörüne göz atın. Bu genellikle verinizi anlamanın ilk adımıdır. Açıklamayı incelemek için bu sayfaya gidin veya verinizi biraz daha iyi tanımak için okumaya devam edin.
Veri, Portekiz “Vinho Verde” şarabının kırmızı ve beyaz çeşitleriyle ilgili iki veri kümesinden oluşuyor. Açıklamada belirtildiği üzere, bu veri kümesinde yalnızca fizikokimyasal ve duyusal değişkenler yer alır. Veri açıklama dosyası, veride yer alan 12 değişkeni listeler; ancak benim gibi kimya uzmanı olmayanlar için her bir değişkenin kısa açıklaması şöyle:
Sabit asitlik : asitler şarabın başlıca özellikleridir ve tadına büyük ölçüde katkıda bulunurlar. Genellikle toplam asitlik iki gruba ayrılır: uçucu asitler ve uçucu olmayan ya da sabit asitler. Şaraplarda bulabileceğiniz sabit asitlerden bazıları şunlardır: tartarik, malik, sitrik ve süksinik. Bu değişken veri kümelerinde g(\(tartaric acid\) )/\(dm^3\) olarak ifade edilir.
Uçucu asitlik : uçucu asitlik esasen şarabın sirkeye dönüşme sürecidir. ABD’de, uçucu asitliğin yasal sınırları kırmızı sofra şarabı için 1.2 g/L ve beyaz sofra şarabı için 1.1 g/L’dir. Bu veri kümelerinde, uçucu asitlik g(\(acetic acid\) )/\(dm^3\) cinsinden ifade edilir.
Sitrik asit , şaraplarda bulunacak sabit asitlerden biridir. Her iki veri setinde de g/\(dm^3\) olarak ifade edilir.
Artık şeker genellikle fermantasyon durduktan (ya da durdurulduktan) sonra kalan şekeri ifade eder. red ve white verilerinde g/\(dm^3\) olarak ifade edilir.
Klorürler şarapta tuzluluğa önemli ölçüde katkıda bulunabilir. Burada g(\(sodium chloride\) )/\(dm^3\) cinsinden ifade edildiğini göreceksiniz.
Serbest kükürt dioksit : şaraba eklenen kükürt dioksitin şaraba karışan kısmına bağlı, aktif kısmına ise serbest denir. Şarap üreticisi, serbest kükürdün bağlı kısma oranını mümkün olduğunca yüksek tutmaya çalışır. Bu değişken veride mg/\(dm^3\) cinsinden ifade edilir.
Toplam kükürt dioksit , bağlı ve serbest kükürt dioksitin (SO2) toplamıdır. Burada mg/\(dm^3\) olarak ifade edilir. Şaraplarda kükürt seviyeleri için yasal sınırlar vardır: AB’de kırmızı şaraplar yalnızca 160 mg/L içerebilirken, beyaz ve roze şaraplar yaklaşık 210 mg/L içerebilir. Tatlı şaraplara 400 mg/L’e kadar izin verilir. ABD’de yasal sınır 350 mg/L, Avustralya’da 250 mg/L’dir.
Yoğunluk genellikle şekerin alkole dönüşümünün bir ölçüsü olarak kullanılır. Burada g/\(cm^3\) cinsinden ifade edilir.
pH ya da hidrojen potansiyeli, şarabın asitliğini ya da bazlığını belirtmek için kullanılan sayısal bir ölçektir. Bildiğiniz gibi pH’ı 7’den düşük çözeltiler asidik, 7’den büyük olanlar baziktir. pH’ı 7 olan saf su nötrdür. Çoğu şarabın pH’ı 2.9 ile 3.9 arasındadır ve bu nedenle asidiktir.
Sülfatlar şarap için, glutene gıdada olduğu kadar yaygındır. Baş ağrılarına neden olabildiklerini zaten biliyor olabilirsiniz. Dünya genelinde şarap yapımının düzenli bir parçasıdır ve gerekli kabul edilirler. Bu durumda g(\(potassium sulphate\) )/\(dm^3\) cinsinden ifade edilirler.
Alkol : şarap alkollü bir içecektir ve bildiğiniz gibi alkol yüzdesi şaraptan şaraba değişebilir. Bu değişkenin veri kümelerinde yer almasına şaşmamalı; % hacim olarak ifade edilir.
Kalite : şarap uzmanları, şarap kalitesini 0 (çok kötü) ile 10 (çok mükemmel) arasında derecelendirdi. Nihai sayı, aynı şarap uzmanları tarafından yapılan en az üç değerlendirmenin medyanıdır.
Elbette, bunlar başlamanız için bilmeniz gereken çok temel bilgilerdir. Gerçek bir şarap gurmesiyseniz, muhtemelen bunların hepsini ve daha fazlasını biliyorsunuzdur!
Şimdi verinizi alma zamanı!
Veriyi Yükleme
Bu işlem, Python veri işleme kütüphanesi Pandas ile kolayca yapılabilir. İçe aktarma geleneğini izleyip paketi pd takma adıyla içe aktarırsınız.
Sonra, verinin saklandığı CSV dosyalarını okumak için read_csv() fonksiyonunu kullanırsınız. Ayrıca, bu durumda ayırıcının normal virgül değil noktalı virgül olduğunu belirtmek için sep argümanını kullanın.
Aşağıdaki DataCamp Light bloğunda deneyin:
# Import pandas
import pandas as pd
# Read in white wine data
white = ___________("http://archive.ics.uci.edu/ml/machine-learning-databases/wine-quality/winequality-white.csv", sep=';')
# Read in red wine data
red = ___________("http://archive.ics.uci.edu/ml/machine-learning-databases/wine-quality/winequality-red.csv", sep=';')
Harika! Çocuk oyuncağıydı, değil mi?
Şimdiye kadar bunu muhtemelen defalarca yaptınız ama başlamak için her zaman gerekli bir adımdır. Artık verinizi keşfetmeye, işlemeye ve modellemeye tamamen hazırsınız!
Veri Keşfi
Veri elinizdeyken, bu şaraplar hakkında daha fazla şey öğrenmeniz kolaydır! Muhtemelen ilk yapmak isteyeceğiniz şeylerden biri, iki DataFrame’inize hızlıca bakmak olacaktır:
# Print info on white wine
_____(white.____())
# Print info on red wine
_____(red.____())
Şimdi içe aktarmanın başarılı olup olmadığını kontrol etme zamanı: UCI Makine Öğrenmesi Deposu’ndaki veri açıklama dosyasının vaat ettiği tüm değişkenlerin veride yer alıp almadığını çift kontrol edin. Değişken sayısının yanı sıra, içe aktarma kalitesini de kontrol edin: veri tipleri doğru mu? Tüm satırlar geldi mi? Veriyi temizlerken dikkate almanız gereken null değerler var mı?
Verinize yalnızca info() ile bakmaktan daha fazlasını da yapmak isteyebilirsiniz:
# First rows of `red`
red.____()
# Last rows of `white`
white.____()
# Take a sample of 5 rows of `red`
red.______(5)
# Describe `white`
white.________()
# Double check for null values in `red`
pd.isnull(red)
Tüm bu pandas fonksiyonlarının kısa bir özeti: head(), tail() ve sample() fonksiyonlarının, verinizi zahmetsizce hızlıca incelemeniz için harika olduğunuz görürsünüz.
Ardından, describe() verinizle ilgili bazı özet istatistikler sunar ve veri kalitenizi değerlendirmenize yardımcı olur. Bazı değişkenlerin min ve max değerlerinde çok fazla farklılık olduğunu görürsünüz. Bununla daha sonra ilgileneceksiniz ama bu noktada bunun farkında olmak önemlidir.
Son olarak, info() sonuçlarını okuduktan sonra hâlâ şüphede kaldığınız durumlarda işe yarayabilecek isnull() yardımıyla red içindeki null değerlerin varlığını tekrar kontrol ettiniz.
İpucu : şarap verisinin null değer içerip içermediğini de kontrol edin. Bunu, hemen üstte gördüğünüz DataCamp Light bloğunun IPython kabuğunu kullanarak yapabilirsiniz.
İçe aktarmanın başarılı ve doğru olup olmadığını görmek için verinizi zaten incelediğinize göre, şimdi biraz daha derine inme zamanı.
Veriyi Görselleştirme
Bunu yapmanın bir yolu, veri kümesindeki bazı değişkenlerin dağılımlarına bakmak ve olası korelasyonları görmek için saçılım grafikleri oluşturmaktır. Elbette, bu veriyi kendi projenizde kullanırsanız bu adımı çok daha ileri taşıyabilirsiniz.
Alkol
İlk bakışta ilginizi çekebilecek değişkenlerden biri alcohol olabilir. Bir şarap veri kümesini incelerken muhtemelen dikkatinizi çeken ilk şeylerden biridir. Dağılımları herhangi bir veri görselleştirme kütüphanesiyle görselleştirebilirsiniz; ancak bu durumda, eğitim dağılımları hızlıca çizmek için matplotlib kullanır:
import matplotlib.pyplot as plt
fig, ax = plt.subplots(1, 2)
ax[0].hist(red.alcohol, 10, facecolor='red', alpha=0.5, label="Red wine")
ax[1].hist(white.alcohol, 10, facecolor='white', ec="black", lw=0.5, alpha=0.5, label="White wine")
fig.subplots_adjust(left=0, right=1, bottom=0, top=0.5, hspace=0.05, wspace=1)
ax[0].set_ylim([0, 1000])
ax[0].set_xlabel("Alcohol in % Vol")
ax[0].set_ylabel("Frequency")
ax[1].set_xlabel("Alcohol in % Vol")
ax[1].set_ylabel("Frequency")
#ax[0].legend(loc='best')
#ax[1].legend(loc='best')
fig.suptitle("Distribution of Alcohol in % Vol")
plt.show()
Aşağıdaki görselde görebileceğiniz gibi, kırmızı ve beyaz şaraplar arasındaki alkol seviyeleri çoğunlukla aynıdır: yaklaşık %9 alkol içerirler. Elbette, %10 veya %11 alkol yüzdesine sahip gözlemler de hatırı sayılır miktardadır.
Bunu, numpy paketindeki histogram() fonksiyonunu kullanarak white ve red verilerinin histogramını hesaplayarak şöyle de çift kontrol edebilirsiniz:
import numpy as np
print(np.histogram(red.alcohol, bins=[7,8,9,10,11,12,13,14,15]))
print(np.histogram(white.alcohol, bins=[7,8,9,10,11,12,13,14,15]))
matplotlib eğitimleriyle ilgileniyorsanız, DataCamp’in yeni başlayanlar için Matplotlib eğitimine ve Matplotlib’in olay işleyici API’sını nasıl kullanacağınızı gösteren 3B Hacimsel Verileri Görüntüleme eğitimine mutlaka göz atın.
Sülfatlar
Sonraki merak ettiğim şey, sülfatlar ile şarabın kalitesi arasındaki ilişki. Yukarıda okuduğunuz gibi, sülfatlar insanlarda baş ağrılarına neden olabilir ve bunun şarabın kalitesini etkileyip etkilemediğini merak ediyorum. Dahası, özellikle kadınların baş ağrısına neden olduğu için şarap içmek istemediklerini sıkça duyuyorum. Belki bu durum kırmızı şarap için verilen puanları etkiliyordur?
Bir bakalım.
import matplotlib.pyplot as plt
fig, ax = plt.subplots(1, 2, figsize=(8, 4))
ax[0].scatter(red['quality'], red["sulphates"], color="red")
ax[1].scatter(white['quality'], white['sulphates'], color="white", edgecolors="black", lw=0.5)
ax[0].set_title("Red Wine")
ax[1].set_title("White Wine")
ax[0].set_xlabel("Quality")
ax[1].set_xlabel("Quality")
ax[0].set_ylabel("Sulphates")
ax[1].set_ylabel("Sulphates")
ax[0].set_xlim([0,10])
ax[1].set_xlim([0,10])
ax[0].set_ylim([0,2.5])
ax[1].set_ylim([0,2.5])
fig.subplots_adjust(wspace=0.5)
fig.suptitle("Wine Quality by Amount of Sulphates")
plt.show()
Aşağıdaki görselde görebileceğiniz gibi, kırmızı şarap beyaz şaraba göre daha fazla sülfat içeriyor gibi görünür; beyaz şarapta 1 g/\(dm^3\) üzerinde daha az sülfat vardır. Beyaz şarapta 1 g/\(dm^3\) in biraz üzerine çıkan yalnızca birkaç istisna var gibi görünürken, kırmızı şaraplarda bu kesinlikle daha fazladır. Bu durum, kırmızı şarabın baş ağrısına neden olduğuna dair genel söylemi açıklayabilir; peki ya kalite?
Nispeten düşük miktarda sülfat içeren ve 9 puan alan beyaz şarapların açıkça olduğunu görebiliyorsunuz, ancak bunun dışında, bu aşamada veriyi doğru yorumlamak zor.
Elbette, gözlem sayısındaki farkın grafiklere ve onları nasıl yorumlayacağınıza da etki edebileceğini unutmamanız gerekir.
Asitlik
Sülfatların yanı sıra asitlik, kaliteli şaraplar elde etmek için gerekli olan başlıca ve hayati şarap özelliklerinden biridir. Harika şaraplar genellikle asitlik, tanen, alkol ve tatlılığı dengeler. Biraz daha araştırma, 0.2 ila 0.4 g/L miktarlarda uçucu asitliğin şarabın kalitesini etkilemediğini öğretti. Ancak daha yüksek seviyelerde, uçucu asitlik şaraba keskin, sirkemsi bir dokunsal his verebilir. Aşırı uçucu asitlik, ciddi şekilde kusurlu bir şarabı işaret eder.
Veriyi teste tabi tutalım ve alkol ile uçucu asitliği karşılaştıran bir saçılım grafiği oluşturalım. Veri noktaları, puanlarına ya da quality etiketlerine göre renklendirilmelidir:
import matplotlib.pyplot as plt
import numpy as np
np.random.seed(570)
redlabels = np.unique(red['quality'])
whitelabels = np.unique(white['quality'])
import matplotlib.pyplot as plt
fig, ax = plt.subplots(1, 2, figsize=(8, 4))
redcolors = np.random.rand(6,4)
whitecolors = np.append(redcolors, np.random.rand(1,4), axis=0)
for i in range(len(redcolors)):
redy = red['alcohol'][red.quality == redlabels[i]]
redx = red['volatile acidity'][red.quality == redlabels[i]]
ax[0].scatter(redx, redy, c=redcolors[i])
for i n range(len(whitecolors)):
whitey = white['alcohol'][white.quality == whitelabels[i]]
whitex = white['volatile acidity'][white.quality == whitelabels[i]]
ax[1].scatter(whitex, whitey, c=whitecolors[i])
ax[0].set_title("Red Wine")
ax[1].set_title("White Wine")
ax[0].set_xlim([0,1.7])
ax[1].set_xlim([0,1.7])
ax[0].set_ylim([5,15.5])
ax[1].set_ylim([5,15.5])
ax[0].set_xlabel("Volatile Acidity")
ax[0].set_ylabel("Alkohol")
ax[1].set_xlabel("Volatile Acidity")
ax[1].set_ylabel("Alcohol")
#ax[0].legend(redlabels, loc='best', bbox_to_anchor=S1.3, 1)
ax[1].legend(whitelabels, loc='best', bbox_to_anchor=(1.3, 1))
#fig.suptitle("Alcohol - Volatile Acidity")
fig.subplots_adjust(top=0.85, wspace=0.7)
plt.show()
Bu görseldeki renklerin NumPy random modülünün yardımıyla rastgele seçildiğini unutmayın. redcolors veya whitecolors değişkenlerine bir liste geçirerek bunu her zaman değiştirebilirsiniz. Ancak aynı olduklarından emin olun (beyaz şarap verisinin kırmızı şarap verisinden bir benzersiz quality değeri fazla olduğunu unutmayın), yoksa açıklamalar eşleşmeyecektir!
Tüm grafiğe buradan bakın:
Yukarıdaki görselde, yukarıda okuduklarınızın özellikle beyaz şarap için geçerli olduğunu görüyorsunuz: 8 etiketli çoğu şarabın uçucu asitlik seviyeleri 0.5 veya altındadır; ancak bunun kalite üzerinde etkisi olup olmadığını söylemek zor, çünkü tüm veri noktaları grafiğin bir tarafına çok yoğun biçimde yığılmış durumda.
Bu sadece hızlı bir veri keşfi. Bu adımı kendi projelerinizde genişletmek isterseniz, DataCamp’in Python ile Keşifsel Veri Analizi ve Python Veri Profilleme eğitimleri gibi veri keşfi yazılarına göz atın; EDA’nin temellerinde size rehberlik edecekler.
Keşifsel Veri Analizini Tamamlama
Belki sindirilecek çok şey oldu; bu nedenle, EDA sırasında gördüklerinizin, bu eğitimin ilerleyen kısımları için önemli olabilecek küçük bir özetini yapmak için hiçbir zaman geç değildir:
Veri kümelerinizdeki bazı değişkenlerin değerleri birbirinden oldukça uzaktır. Bunu, eğitimin bir sonraki bölümünde ele alacaksınız.
İdeal bir senaryonuz var: veri kümelerinde null değer yok.
Veri kümesine dahil edilen şarapların çoğunda yaklaşık %9 alkol var.
Kırmızı şarap, 1 g/\(dm^3\) üzerinde daha az sülfat bulunan beyaz şaraba göre daha fazla sülfat içeriyor gibi görünüyor.
Çoğu şarabın uçucu asitliği 0.5 ve altındaydı. Şu anda, şarabın kalitesiyle doğrudan bir ilişki yok.
Şu ana kadar, beyaz şarap ve kırmızı şarap verisine ayrı ayrı baktınız. Bazı değişkenlere yakından baktığınızda iki türün biraz farklılaştığını, diğer durumlarda ise oldukça benzer olduğunu görüyor olabilirsiniz. Değişkenlere göre girdileri beyaz ya da kırmızı şarap olarak sınıflandırmanın bir yolu olabileceğini düşünüyor musunuz?
Bunu öğrenmenin tek yolu var: veriyi önişleyin ve neler olduğunu görebileceğiniz şekilde modelleyin!
Veriyi Önişleme
Artık verinizi keşfettiğinize göre, edindiğiniz içgörüler doğrultusunda harekete geçme zamanı! Kendi sinir ağınızı kurmaya başlayabilmeniz için veriyi önişleyelim!
# Add `type` column to `red` with value 1
___['type'] = 1
# Add `type` column to `white` with value 0
_____['type'] = 0
# Append `white` to `red`
wines = red.______(white, ignore_index=True)
Bu durumda ignore_index değerini True olarak ayarlarsınız çünkü white verisini red verisine eklerken white’ın indeks etiketlerini korumak istemezsiniz: etiketlerin red içinde kaldığı yerden devam etmesini, iki veri kümesini birleştirince yinelenen indeks etiketleri oluşmamasını istersiniz.
Arasöz: Korelasyon Matrisi
Artık tam veri kümesine sahip olduğunuza göre, hızlı bir veri keşfi yapmak için iyi bir zaman; iki veri kümesine ayrı ayrı bakmaktan zaten bazı şeyler biliyorsunuz ve şimdi belki daha sağlam içgörüler edinme zamanı.
Grafikleri yorumlamak biraz zor olabileceğinden, bir korelasyon matrisi çizmek de iyi bir fikirdir. Bu, hangi değişkenlerin korele olduğunu daha hızlı görmenizi sağlar:
import seaborn as sns
corr = wines.corr()
sns.heatmap(corr,
xticklabels=corr.columns.values,
yticklabels=corr.columns.values)
sns.plt.show()
Beklediğiniz gibi, density ve residual sugar gibi korele olan bazı değişkenler var. Ayrıca, volatile acidity ve type, iki veri kümesine ayrı ayrı bakarken tahmin edebileceğinizden daha yakın ilişkilidir ve free sulfur dioxide ile total sulfur dioxide’ın korele olmasının beklenen bir durum olduğu da ortadaydı.
Oldukça ilginç!
Eğitim ve Test Kümeleri
Dengesiz veri genellikle sınıflandırma problemlerinde sınıfların eşit temsil edilmemesi sorununu ifade eder. Çoğu sınıflandırma veri kümesinde her sınıfta tam olarak eşit sayıda örnek bulunmaz, ancak küçük farklar genelde sorun yaratmaz. Bu nedenle, eğitim modelinde her iki şarap sınıfının da bulunduğundan emin olmanız gerekir. Dahası, her iki şarap türünün örnek sayısı da tahminlerinizde bir sınıfı diğerine göre kayırmamak için aşağı yukarı eşit olmalıdır.
Bu durumda bir dengesizlik var gibi görünüyor, ancak şimdilik bununla devam edeceksiniz. Sonrasında modeli değerlendirir ve düşük performans gösterirse, gözlem sayılarındaki farkı gidermek için eksik örneklemeye veya fazla örneklemeye başvurabilirsiniz.
Şimdilik, sklearn.model_selection içinden train_test_split’i içe aktarın ve veriyi ve hedef etiketleri X ve y değişkenlerine atayın. train_test_split() fonksiyonunu girdi olarak kullanmaya tamamen hazır olmak için hedef etiketler dizisini düzleştirmeniz gerektiğini göreceksiniz. İşe koyulun; aşağıdaki DataCamp Light bloğunda başlayın!
# Import `train_test_split` from `sklearn.model_selection`
from sklearn.model_selection import train_test_split
# Specify the data
X=wines.ix[:,0:11]
# Specify the target labels and flatten the array
y=np.ravel(wines.type)
# Split the data up in train and test sets
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.33, random_state=42)
İlk sinir ağınızı kurma yolunda iyi ilerliyorsunuz, ancak hâlâ ilgilenmeniz gereken bir şey var! white ve red veri kümelerinin özetlerine bakarken ne keşfettiğinizi hâlâ hatırlıyor musunuz?
Evet, bazı değerler epey farklıydı. Burada biraz standardizasyon yapmak mantıklı olabilir.
Veriyi Standardize Etme
Standardizasyon, birbirinden çok uzak değerlerle başa çıkmanın bir yoludur. Scikit-learn paketi, verinizi standartlaştırmanız için harika ve hızlı bir yol sunar: sklearn.preprocessing içinden StandardScaler modülünü içe aktarın ve eğitim ve test verinizi ölçeklendirmeye hazırsınız!
from sklearn. preprocessing import StandardScaler
scaler = StandardScaler( ) . fit( X_train)
X_train = scaler. transform( X_train)
X_test = scaler. transform( X_test) Altyapı:
Artık veriniz önişlenmiş durumda; asıl işe geçebilir ve şarapları sınıflandırmak için kendi sinir ağınızı kurabilirsiniz.
Veriyi Modelle
Modellemeye başlamadan önce, asıl sorunuza geri dönün: uçucu asitlik veya sülfatlar gibi kimyasal özelliklerine bakarak bir şarabın kırmızı mı beyaz mı olduğunu tahmin edebilir misiniz?
Yalnızca iki sınıfınız olduğuna göre (beyaz ve kırmızı), ikili sınıflandırma yapacaksınız. “İkili”nin 0 veya 1, evet veya hayır anlamına geldiğini tahmin edebilirsiniz. Sinir ağları yalnızca sayısal verilerle çalışabildiği için kırmızıyı 1, beyazı 0 olarak zaten kodladınız.
Böyle bir problemde iyi performans gösteren ağ türü çok katmanlı algılayıcıdır. Eğitimin başında okuduğunuz gibi, bu sinir ağı türü genellikle tamamen bağlantılıdır. Bu da bu problemi çözmek için tamamen bağlantılı katmanlardan oluşan nispeten basit bir yığın kurmak istediğiniz anlamına gelir. Kullanacağınız aktivasyon fonksiyonu için, Keras’a ve sinir ağlarına aşinalık kazanma amacıyla en yaygın olanlardan birini kullanmak en iyisidir: relu aktivasyon fonksiyonu.
Çok katmanlı algılayıcınızı kurmaya nasıl başlarsınız? Hızlı bir başlangıç için Keras Sequential modelini kullanabilirsiniz: katmanların doğrusal bir yığınıdır. Oluşturucuya bir katman örnekleri listesi geçirerek modeli kolayca oluşturabilirsiniz; bunu model = Sequential() yazarak ayarlarsınız.
Ardından, eğitimin başında okuduğunuz çok katmanlı algılayıcının yapısını düşünmek en iyisidir: bir giriş katmanınız, bazı gizli katmanlarınız ve bir çıkış katmanınız var. Modelinizi oluştururken, bu nedenle ilk katmanınızın girdi şeklini açıkça belirtmesi gerektiğini hesaba katmalısınız. Modelin hangi girdi şeklini bekleyeceğini bilmesi gerekir; bu yüzden katmanların dokümantasyonunda ve pratik örneklerde sıklıkla input_shape, input_dim, input_length veya batch_size argümanlarını görürsünüz.
Bu durumda, tam bağlantılı bir katman olan Dense katmanını kullanmanız gerekecek. Dense katmanları şu işlemi uygular: output = activation(dot(input, kernel) + bias). Aktivasyon fonksiyonu olmadan, Dense katmanınızın yalnızca iki doğrusal işlemden oluşacağını unutmayın: bir iç çarpım ve bir toplama.
İlk katmanda, activation argümanı relu değerini alır. Ardından, input_shape’ın tanımlandığını görürsünüz. Bu, az önce gördüğünüz işlemin input’udur: model, (12,) ya da (*, 12) şeklinde dizileri girdi olarak alır. Son olarak, ilk katmanda Dense()’in units argümanına ilk değer olarak 12 verildiğini görürsünüz; bu, çıktı uzayının boyutudur ve aslında 12 gizli birimdir. Bu, modelin (*, 12) şeklinde diziler çıktısı vereceği anlamına gelir: bu, çıktı uzayının boyutudur. Bunu şimdi tam olarak anlamasanız da endişelenmeyin; ileride daha fazlasını okuyacaksınız!
units aslında yukarıdaki formüldeki kernelı, yani katman tarafından oluşturulan ve tüm giriş düğümlerine verilen tüm ağırlıklardan oluşan ağırlıklar matrisini temsil eder. Aşağıdaki örnekte herhangi bir bias dahil etmediğinizi unutmayın; çünkü use_bias argümanını ekleyip TRUE olarak ayarlamadınız; bu da bir olasılıktır.
Ara katman da relu aktivasyon fonksiyonunu kullanır. Bu katmanın çıktısı (*,8) şeklinde diziler olacaktır.
Ağı, boyutu 1 olan bir Dense katmanıyla bitiriyorsunuz. Son katman, çıktının aslında bir olasılık olması için sigmoid aktivasyon fonksiyonunu kullanır; bu, 0 ile 1 arasında bir skor elde edeceğiniz anlamına gelir; örneğin, örneğin hedef “1”e sahip olma olasılığını veya şarabın kırmızı olma olasılığını gösterir.
# Import `Sequential` from `keras.models`
from keras.models import Sequential
# Import `Dense` from `keras.layers`
from keras.layers import Dense
# Initialize the constructor
model = Sequential()
# Add an input layer
model.add(Dense(12, activation='relu', input_shape=(11,)))
# Add one hidden layer
model.add(Dense(8, activation='relu'))
# Add an output layer
model.add(Dense(1, activation='sigmoid'))
Özetle, modelinizi kurmak için vermeniz gereken iki temel mimari karar olduğunu görüyorsunuz: kaç katman kullanacağınız ve her katman için kaç “gizli birim” seçeceğiniz.
Bu durumda, modelinizin ilk katmanı için 12 gizli birim seçtiniz: yukarıda okuduğunuz gibi, bu çıktı uzayının boyutudur. Başka bir deyişle, ağın temsil öğrenirken sahip olmasına izin verdiğiniz serbestlik derecesini ayarlıyorsunuz. Daha fazla gizli birime izin verirseniz, ağınız daha karmaşık temsilleri öğrenebilecek ancak aynı zamanda aşırı uyuma yatkın, daha maliyetli bir işlem olacaktır.
Aşırı uyumun, model çok karmaşık olduğunda ortaya çıktığını unutmayın: model, tanımlaması gereken temel ilişkiyi değil, rastgele hatayı veya gürültüyü tanımlar. Başka bir deyişle, eğitim verisi fazla iyi modellenir!
Mevcut eğitim veriniz çok değilse, çok az gizli katmana sahip küçük bir ağ (tipik olarak yalnızca bir tane, yukarıdaki örnekte olduğu gibi) kullanmayı tercih etmelisiniz.
Az önce oluşturduğunuz model hakkında bilgi almak isterseniz, diğerlerinin yanı sıra output_shape niteliğini veya summary() fonksiyonunu kullanabilirsiniz. En temel olanlardan bazıları aşağıda listelenmiştir.
Onları çalıştırarak tam olarak hangi sonuçları geri aldığınızı ve size az önce oluşturduğunuz model hakkında ne söylediklerini görün:
# Model output shape
model.___________
# Model summary
odel.___________
# Model config
model.get_config()
# List all weight tensors
model.get_weights()
Derleme ve Uydurma
Şimdi, modelinizi derleme ve veriye uydurma zamanı: bunu yapmak için yine compile() ve fit() fonksiyonlarını kullanın.
model. compile ( loss= 'binary_crossentropy' ,
optimizer= 'adam' ,
metrics= [ 'accuracy' ] )
model. fit( X_train, y_train, epochs= 20 , batch_size= 1 , verbose= 1 ) Altyapı:
Derleme sırasında, modeli adam iyileştiricisi ve binary_crossentropy kayıp fonksiyonuyla yapılandırırsınız. Ayrıca, metrics argümanına ['accuracy'] geçirerek eğitim sırasında doğruluğu izleyebilirsiniz.
Modeli derlemek istiyorsanız, optimizer ve loss iki zorunlu argümandır. En popüler iyileştirme algoritmalarından bazıları Stokastik Gradyan İnişi (SGD), ADAM ve RMSprop’tur. Hangi algoritmayı seçerseniz seçin, öğrenme oranı veya momentum gibi bazı parametreleri ayarlamanız gerekir. Kayıp fonksiyonu seçimi, elinizdeki göreve bağlıdır: örneğin bir regresyon probleminde genellikle Ortalama Kare Hata (MSE) kullanılır. Bu örnekte gördüğünüz gibi, bir şarabın kırmızı mı beyaz mı olduğunu belirlemek gibi ikili sınıflandırma problemi için binary_crossentropy kullandınız. Son olarak, çok sınıflı sınıflandırmada categorical_crossentropy kullanırsınız.
Daha sonra modeli, X_train ve y_train içindeki tüm örnekler üzerinde 20 epoch boyunca, 1 örnekten oluşan partilerle eğitebilirsiniz. verbose argümanını da belirtebilirsiniz. Bunu 1 olarak ayarlayarak ilerleme çubuğu günlüğünü görmek istediğinizi belirtirsiniz.
Başka bir deyişle, modeli belirli sayıda epoch boyunca, yani eğitim veri kümesine yapılan maruziyet sayısı kadar eğitmeniz gerekir. Bir epoch, tüm eğitim kümesinden tek geçiş yapılıp ardından doğrulama kümesinin test edilmesidir. Yukarıdaki kodda belirttiğiniz parti boyutu, ağ üzerinden iletilecek örnek sayısını tanımlar. Bunu yaparak, aynı anda çok fazla girdi desenini belleğe yüklemediğinizden emin olduğunuz için verimliliği de optimize edersiniz.
Değerleri Tahmin Et
Modelinizi işe koşalım! Test kümesinin etiketleri için bununla tahmin yapabilirsiniz. Sadece predict() fonksiyonunu kullanın ve veriye ait etiketleri tahmin etmek için test kümesini ona geçin. Bu durumda sonuç y_pred içinde saklanır:
y_pred = model. predict( X_test) Altyapı:
Modelinizi değerlendirmeden önce, y_pred ve y_test değerlerinin nasıl karşılaştırıldığına bakarak doğruluk hakkında hızlı bir fikir edinebilirsiniz:
y_pred[ : 5 ] Altyapı:
array( [ [ 0 ] ,
[ 1 ] ,
[ 0 ] ,
[ 0 ] ,
[ 0 ] ] , dtype= int32) Altyapı:
y_test[ : 5 ] Altyapı:
array( [ 0 , 1 , 0 , 0 , 0 ] ) Altyapı:
Bu değerlerin uyuştuğunu görüyorsunuz; ancak tüm bunlar somut rakamlar olmadan ne ifade eder?
Modeli Değerlendir
Modelinizi kurup, modelinizin daha önce görmediği veriler üzerinde tahminler yaptıktan sonra, şimdi performansını değerlendirme zamanı. Tahminleri gerçek test etiketleriyle (y_test) görsel olarak karşılaştırabilir veya gerçek performansı belirlemek için her türden metriği kullanabilirsiniz. Bu durumda, bunu yapmak için evaluate() kullanacaksınız. Test verisini ve test etiketlerini geçin ve isterseniz verbose argümanını 1 yapın. Bunu yaptığınızda daha fazla günlük görürsünüz.
score = model. evaluate( X_test, y_test, verbose= 1 )
print ( score) Altyapı:
[ 0.025217213829228164 , 0.99487179487179489 ] Altyapı:
Skor, kayıp ve doğruluğun birleşimini tutan bir listedir. Bu durumda ikisi de oldukça iyi görünüyor; ancak verinizin biraz dengesiz olduğunu hatırlamakta fayda var: kırmızı şarap gözlemlerinden daha fazla beyaz şarap gözleminiz vardı. Doğruluk, sadece sınıf dağılımınızı yansıtıyor olabilir; çünkü gözlemler bol olduğu için modeliniz sadece white diye tahmin ediyor olabilir!
Veriyi farklı bir şekilde düzenlemeye ve bir araya getirmeye başlamadan önce, farklı değerlendirme metriklerini denemek her zaman iyi bir fikirdir. Bunun için, eğitim ve test kümelerini oluştururken yaptığınız gibi scikit-learn’den (sklearn olarak içe aktarırsınız) yararlanabilirsiniz.
Bu durumda, aşağıdaki gibi bazı temel sınıflandırma değerlendirme tekniklerini deneyeceksiniz:
Karmaşıklık matrisi: doğru tahminleri ve yapılan yanlış tahmin türlerini gösteren bir tabloya dökülen tahminlerin dökümüdür. İdealde, yalnızca diyagonal üzerinde sayılar görürsünüz; bu, tüm tahminlerinizin doğru olduğu anlamına gelir!
Kesinlik (precision), bir sınıflandırıcının doğruluğunun bir ölçüsüdür. Kesinlik ne kadar yüksekse, sınıflandırıcı o kadar isabetlidir.
Duyarlılık (recall), bir sınıflandırıcının kapsamının bir ölçüsüdür. Duyarlılık ne kadar yüksekse, sınıflandırıcı o kadar fazla vakayı kapsar.
F1 Skoru ya da F-skora, kesinlik ve duyarlılığın ağırlıklı ortalamasıdır.
Kappa ya da Cohen’s kappa, sınıflardaki dengesizliğe göre normalize edilmiş sınıflandırma doğruluğudur.
from sklearn. metrics import confusion_matrix, precision_score, recall_score, f1_score, cohen_kappa_score
confusion_matrix( y_test, y_pred) Altyapı:
array( [ [ 1585 , 3 ] ,
[ 8 , 549 ] ] ) Altyapı:
precision_score( y_test, y_pred) Altyapı:
0.994565217391 Altyapı:
recall_score( y_test, y_pred) Altyapı:
0.98563734290843807 Altyapı:
f1_score( y_test, y_pred) Altyapı:
0.99008115419296661 Altyapı:
cohen_kappa_score( y_test, y_pred) Altyapı:
0.98662321692498967 Altyapı:
Tüm bu skorlar çok iyi! Beyaz şarap türüne ait satırlar hatırı sayılır derecede fazla olmasına rağmen oldukça isabetli bir model oluşturdunuz.
Tebrikler!
Biraz Daha Deney
İlk modelinizi başarıyla kurdunuz, ancak bu modelle daha da ileri gidebilirsiniz. Neden aşağıdaki şeyleri denemeyip etkilerini görmüyorsunuz? Yukarıda okuduğunuz gibi, vermeniz gereken iki temel mimari karar, katmanları ve gizli düğümleri içerir. Bunlar harika bir başlangıç noktasıdır:
1 gizli katman kullandınız. 2 veya 3 gizli katman kullanmayı deneyin;
Daha fazla veya daha az gizli birime sahip katmanlar kullanın;
quality sütununu hedef etiketleri olarak ve verinin geri kalanını (kodlanmış type sütunu dahil!) veriniz olarak alın. Artık çok sınıflı bir sınıflandırma probleminiz var!
Ayrıca, aktivasyon fonksiyonunu değiştirmeyi de deneyin. relu yerine tanh aktivasyon fonksiyonunu kullanmayı deneyin ve sonucu görün!
Şarap Kalitesini Tahmin Etme
Sınıflandırma modeliniz ilk koşu için mükemmel performans gösterdi!
Ancak çok katmanlı algılayıcıdan daha karmaşık yapılar denemek dışında yapabileceğiniz çok daha fazlası var. Neden şarap kalitesini tahmin edecek bir sinir ağı kurmayı denemiyorsunuz?
Bu durumda, eğitim quality değişkeninin sürekli bir değişken olduğunu varsayar: görev, ikili sınıflandırma görevi değil, sıralı regresyon görevidir. Sıralı regresyon, sıralı bir değişkeni tahmin etmek için kullanılır: quality değeri, farklı quality değerleri arasındaki göreli sıralamanın anlamlı olduğu keyfi bir ölçekte yer alır. Bu ölçekte, “çok kötü”den “çok iyi”ye 0-10 kalite skoru böyle bir örnektir.
Bu tür bir problemi bir sınıflandırma problemi olarak görüp kalite etiketlerini sabit sınıf etiketleri olarak değerlendirebileceğinizi de unutmayın.
Her durumda, bu kurulum, eğitimin ikinci kısmı için hedef etiketlerinizin red ve white DataFrame’lerinizdeki quality sütunu olacağı anlamına gelir. Bu, ek önişleme gerektirecektir.
Veriyi Önişleme
quality değişkeni hedef sınıfınız hâline geldiğinden, şimdi kalite etiketlerini veri kümesinin geri kalanından ayırmanız gerekir. wines.quality değerini y değişkenine, quality sütunu hariç şarap verisini ise x değişkenine koyacaksınız.
Ardından veriyi eğitim ve test setlerine ayırmaya hazırsınız, ancak bu durumda bu yaklaşımı izlemeyeceksiniz (yine de izleyebilirsiniz!). Eğitimin bu ikinci bölümünde, veriyi K parçaya bölmenizi gerektiren k-katlı doğrulamayı kullanacaksınız. Genellikle K, 4 veya 5 olarak ayarlanır. Daha sonra, özdeş modeller oluşturup her birini bir parça üzerinde eğiterek kalan parçalar üzerinde değerlendirirsiniz. Modelin doğrulama skoru, elde edilen K doğrulama skorlarının ortalamasıdır.
Bunu nasıl yapacağınızı daha sonra göreceksiniz. Şimdilik, tıpkı daha önce olduğu gibi veriyi modele uydurmadan önce iyi bir durumda olduğundan emin olmak için StandardScaler kullanın.
# Isolate target labels
y = wines.________
# Isolate data
X = wines.drop('quality', axis=_)
red, white (ve dolayısıyla wines) verilerinizde bazı değer farkları çok fazla olduğu için ölçeklemeyi yeniden yapmanız gerektiğini unutmayın.
Bunu aşağıdaki DataCamp Light bloğunda deneyin. Gerekli tüm kütüphaneler sizin için yüklendi!
# Scale the data with `StandardScaler`
X = ________________.fit_transform(X)
Şimdi tekrar az önce olduğunuz noktadasınız. Sinir ağını modellemeye yeniden başlayabilirsiniz!
Sinir Ağı Mimarisi Modellemesi
Veriyi yeniden önişlediğinize göre, bir kez daha çok katmanlı algılayıcı olan bir sinir ağı modeli kurma zamanı. Bunu bir regresyon görevi için kullanacak olsanız da mimari, iki Dense katmanıyla oldukça benzer görünebilir.
İlk katmanın giriş katmanınız olduğunu unutmayın. Girdi verinizin şeklini ona geçirmeniz gerekir. Bu durumda, Dense katmanına girdi verisinin boyutlarını geçirmek için input_dim kullanacağınızı görürsünüz.
# Import `Sequential` from `keras.models`
from keras.models import Sequential
# Import `Dense` from `keras.layers`
from keras.layers import Dense
# Initialize the model
model = Sequential()
# Add input layer
model.add(Dense(64, input_dim=12, activation='relu'))
# Add output layer
odel.add(Dense(1))
İlk tanımladığınız katmanın giriş katmanı olduğunu bir kez daha unutmayın. Bu katman, verinizin girdi boyutlarını bilmek zorundadır. Girdi boyutlarını bu durumda 12 olarak geçirirsiniz (eğitimin ilk kısmında oluşturduğunuz Type sütununu da saymayı unutmayın!). Yine relu aktivasyon fonksiyonunu kullanırsınız, ancak bir kez daha bias yoktur. Gizli birim sayısı 64’tür.
Ağınız, tek bir birimli Dense(1) ile biter ve aktivasyon içermez. Bu, tek bir sürekli değeri tahmin etmeye çalıştığınız skaler regresyon için tipik bir kurulumdur.
Modeli Derle, Veriyi Uydur
Modeliniz elinizdeyken, onu yine derleyebilir ve veriyi ona uydurabilirsiniz. Ama bekleyin. Önceden okuduğunuz K katlı doğrulama parçalarına ihtiyacınız yok mu? Doğru.
import numpy as np
from sklearn. model_selection import StratifiedKFold
seed = 7
np. random. seed( seed)
kfold = StratifiedKFold( n_splits= 5 , shuffle= True , random_state= seed)
for train, test in kfold. split( X, Y) :
model = Sequential( )
model. add( Dense( 64 , input_dim= 12 , activation= 'relu' ) )
model. add( Dense( 1 ) )
model. compile ( optimizer= 'rmsprop' , loss= 'mse' , metrics= [ 'mae' ] )
model. fit( X[ train] , Y[ train] , epochs= 10 , verbose= 1 ) Altyapı:
Modeli derlemek için compile() fonksiyonunu kullanın ve ardından veriyi modele uydurmak için fit() fonksiyonunu kullanın. Modeli derlemek için, yine en azından optimizer ve loss argümanlarını tanımladığınızdan emin olun. Bu durumda, en popüler iyileştirme algoritmalarından biri olan rsmprop’u ve kayıp fonksiyonu olarak mse’yi kullanabilirsiniz; bu, sizin gibi regresyon problemleri için çok tipiktir.
Tanımladığınız ek metrics argümanı, modelinizin performansını yargılamak için kullanılan bir fonksiyondur. Regresyon problemlerinde, Ortalama Mutlak Hata’nın (MAE) metrik olarak alınması yaygındır. Bunun hakkında bir sonraki bölümde daha fazla okuyacaksınız.
Eğitim verisini ve etiketlerini fit() fonksiyonuna geçin, kaç epoch çalıştırmak istediğinizi, parti boyutunu belirleyin ve isterseniz verbose argümanını 1 yaparak daha fazla günlük alın; çünkü bu işlem biraz zaman alabilir.
Modeli Değerlendir
Daha önce olduğu gibi, modelinizi de değerlendirmelisiniz. Yukarıdaki koda y_pred = model.predict(X[test]) satırını eklemenin yanı sıra, eğitimin ilk kısmında yaptığınız gibi sklearn’den bazı değerlendirme metriklerini kullanmak da iyi bir fikir olabilir.
Bunu yapmak için Ortalama Kare Hata (MSE) ve Ortalama Mutlak Hata’yı (MAE) kullanabilirsiniz. İlki, “ortalama kare sapma” (MSD) olarak da adlandırılır ve hataların veya sapmaların karelerinin ortalamasını ölçer. Başka bir deyişle, kestirici ile kestirilen arasındaki farkı niceler. Bu şekilde, kestiricinizin kalitesi hakkında biraz daha fazla bilgi edinirsiniz: her zaman negatiftir ve sıfıra daha yakın değerler daha iyidir.
İkinci değerlendirme ölçütü olan MAE, Ortalama Mutlak Hata’nın kısaltmasıdır: tahminlerin nihai sonuçlara ne kadar yakın olduğunu niceler.
Bu satırları önceki kod bloğuna ekleyin ve girintilere dikkat edin:
mse_value, mae_value = model. evaluate( X[ test] , Y[ test] , verbose= 0 )
print ( mse_value)
0.522478731072
print ( mae_value)
0.561965950103 Altyapı:
MSE ve MAE skorlarının yanı sıra R2 skorunu ya da regresyon skor fonksiyonunu da kullanabileceğinizi unutmayın. Burada hedefiniz 1.0, yani en iyi skordur. Ancak skor negatif de olabilir!
from sklearn. metrics import r2_score
r2_score( Y[ test] , y_pred)
0.3125092543 Altyapı:
İlk bakışta, bunlar oldukça kötü sayılar, değil mi? Bunun iyi tarafı ise, şimdi sonuçları biraz daha iyi hâle getirmek için kodu optimize etmekle deney yapabilmenizdir.
Sonraki ve son bölüm bununla ilgili!
Model İnce Ayarı
Modelinizi ince ayarlamak, muhtemelen çokça yapacağınız bir şeydir; çünkü tüm problemler, eğitimin ilk kısmında gördüğünüz kadar basit değildir. Yukarıda okuduğunuz gibi, muhtemelen ayarlamak isteyeceğiniz iki kritik karar zaten var: kaç katman kullanacağınız ve her katman için kaç “gizli birim” seçeceğiniz.
Başlangıçta bu gerçekten epey bir yolculuk olacaktır.
Katman Ekleme
Modelinize başka bir katman eklerseniz ne olur? Şöyle görünseydi ne olurdu?
model = Sequential( )
model. add( Dense( 64 , input_dim= 12 , activation= 'relu' ) )
model. add( Dense( 64 , activation= 'relu' ) )
model. add( Dense( 1 ) ) Altyapı:
Gizli Birimler
Ayrıca modelinizin mimarisine daha fazla gizli birim eklemenin etkisini de deneyin ve değerlendirme üzerindeki etkisini aşağıdaki gibi inceleyin:
model = Sequential( )
model. add( Dense( 128 , input_dim= 12 , activation= 'relu' ) )
model. add( Dense( 1 ) ) Altyapı:
Genel olarak, çok fazla veriniz olmadığı için aşırı uyumun daha kötü olabileceğini ve olacağını tekrar unutmayın. Bu yüzden küçük bir ağ kullanmalısınız.
Biraz Daha Deney: Optimizasyon Parametreleri
Katman eklemenin ve gizli birimlerle oynamanın yanı sıra, compile() fonksiyonuna verdiğiniz iyileştirme algoritmasının (bazı) parametrelerini de ayarlamayı deneyebilirsiniz. Şimdiye kadar, optimizer argümanına rmsprop gibi bir dize geçtiniz.
Ancak bu her zaman böyle olmak zorunda değil!
Örneğin, keras.models içinden RMSprop’u içe aktarın ve öğrenme oranı lr’ı ayarlayın. RMSprop() için belirlenen varsayılan değerleri de değiştirebilirsiniz, ancak bu önerilmez. Daha fazla bilgiyi burada bulabilirsiniz.
from keras. optimizers import RMSprop
rmsprop = RMSprop( lr= 0.0001 )
model. compile ( optimizer= rmsprop, loss= 'mse' , metrics= [ 'mae' ] ) Altyapı:
Ayrıca, Stokastik Gradyan İnişi (SGD) gibi diğer iyileştirme algoritmalarıyla da denemeler yapın. Bir etki fark ediyor musunuz?
from keras. optimizers import SGD, RMSprop
sgd= SGD( lr= 0.1 )
model. compile ( optimizer= sgd, loss= 'mse' , metrics= [ 'mae' ] ) Altyapı:
Daha İleri Gidin!
Bu eğitim, Python ve Keras ile derin öğrenme yolculuğunuzda sadece bir başlangıçtı. Kapsanacak hâlâ çok şey var; neden DataCamp’in Deep Learning in Python kursunu almıyorsunuz? Bu arada, henüz yapmadıysanız Keras dokümantasyonuna da mutlaka göz atın. Daha fazla örnek ve tüm fonksiyonlar, argümanlar, daha fazla katman vb. hakkında bilgi bulacaksınız. Python’da sinir ağlarıyla nasıl çalışılacağını öğrenirken kuşkusuz vazgeçilmez bir kaynak olacaktır! Bunun yerine, derin öğrenmenin (Keras ile) temellerini ve pratikte nasıl kullanıldığını açıklayan bir kitap okumak isterseniz, François Chollet’nin Deep Learning in Python kitabını mutlaka okuyun.
Artık, öğrenebilen algoritmaların tasarımını inceleyen bilgisayar biliminin bir dalı olan makine öğrenmesini muhtemelen biliyorsunuzdur. Bugün, makine öğrenmesinin bir alt alanı olan ve beynin yapısından ve işlevinden ilham alan bir dizi algoritma olan derin öğrenmeye odaklanacaksınız. Bu algoritmalar genellikle Yapay Sinir Ağları (YSA) olarak adlandırılır. Derin öğrenme, robotik, görüntü tanıma ve Yapay Zekâ (AI) alanlarında şaşırtıcı sonuçlara sahip pek çok vaka çalışmasıyla veri biliminin en popüler alanlarından biridir.
Derin öğrenme modellerini geliştirmek ve değerlendirmek için en güçlü ve kullanımı kolay Python kütüphanelerinden biri Keras’tır; Verimli sayısal hesaplama kütüphaneleri Theano ve TensorFlow’u sarmalar. Bunun başlıca avantajı, sinir ağlarına kolay ve eğlenceli bir şekilde başlayabilmenizdir.
Yeni başlayanlar için hazırlanan bugünkü Keras eğitimi, sizi Python ile derin öğrenmenin temelleriyle tanıştıracak: