Skip to content

Commit e938c48

Browse files
Fatih-HaslakFatih-Haslak
authored
Add files via upload
0 parents  commit e938c48

File tree

2 files changed

+281
-0
lines changed

2 files changed

+281
-0
lines changed

‎knn.py

+152
Original file line numberDiff line numberDiff line change
@@ -0,0 +1,152 @@
1+
import pandas as pd
2+
from sklearn.preprocessing import MinMaxScaler #sadece veri normalizasyonu için sklearn kullandım
3+
scaler = MinMaxScaler()
4+
import time
5+
start=time.time()
6+
i=0
7+
j=1
8+
y=0
9+
deger=0
10+
liste_ar=[]
11+
son=0
12+
13+
###############################################################
14+
df=pd.read_excel("Dry_Bean_Dataset.xlsx")
15+
df.iloc[:,0:-1] = scaler.fit_transform(df.iloc[:,0:-1].to_numpy()) # verileri 0-1 arasında normalize ettik
16+
df1=df.copy()
17+
df1['index_col'] = df.index
18+
###############################################################
19+
20+
21+
train=df.sample(frac=0.7 ,random_state=61) #train sample
22+
23+
test=df.drop(train.index) #test sample
24+
25+
hesaplanacak=pd.DataFrame(train.iloc[0:1,:]) #sürekli değisecek olan classını tahmın edecegımız veri
26+
27+
y_sinif=hesaplanacak["Class"].values[0] # var olan classımız budur
28+
29+
hesaplanacak=hesaplanacak.drop("Class",axis=1) #hesaplayacagımızın sadece verılerını tutuyoruz classı cıkardık.
30+
31+
train_class=train.drop("Class",axis=1) # var olan tumm verıler classları ayır
32+
33+
train_class=train.drop(hesaplanacak.index)
34+
35+
36+
len_test=hesaplanacak.shape[0]
37+
len_train=train_class.shape[0]
38+
len_columns=train_class.shape[1]
39+
40+
41+
def hesapla_class(liste_ar,k_changed):
42+
43+
sorted_lenght=sorted(liste_ar,key=lambda liste_ar:liste_ar[1], reverse=False)# uzaklıklara göre sıraliyoruz
44+
count=0
45+
clas_aga=[]
46+
while(1):
47+
if(count==k_changed):
48+
break
49+
indexler=(sorted_lenght[count][0])
50+
clas_aga.append(df1[df1["index_col"]==indexler]["Class"].values[0])
51+
count+=1
52+
y_head=max(clas_aga,key=clas_aga.count)
53+
liste_ar.clear()
54+
return y_head
55+
56+
count_true=0
57+
count_false=0
58+
59+
def knn(df,train_class,hesaplanacak,y_sinif,k_changed):
60+
global count_true
61+
global count_false
62+
global len_columns
63+
global liste_ar
64+
global i
65+
global y
66+
global deger
67+
global j
68+
global son
69+
try:
70+
while(1):
71+
72+
if(y==len_columns-1):
73+
sonuc=deger**0.5
74+
75+
liste_ar.append((train_class.index.values[i],sonuc)) # indexleri ve uzaklıkları lıste_ar'ın içine atıyoruz ileride sıralamak için
76+
#print(liste_ar)
77+
sonuc=0
78+
deger=0
79+
i+=1
80+
y=0
81+
if(len_train<=i): # doğruluk oranı ıcın hesaplamaları bunun ıcınde anlık olarak tutuyorum
82+
83+
tahmin=hesapla_class(liste_ar,k_changed)
84+
#print("Class",y_sinif)
85+
86+
if(y_sinif==tahmin):
87+
#print("{} GERCEK DEGERİM , {} TAHMİN DEGERİM ".format(y_sinif,tahmin))
88+
count_true+=1
89+
else:
90+
#print("{} GERCEK DEGERİM , {} TAHMİN DEGERİM ".format(y_sinif,tahmin))
91+
count_false+=1
92+
93+
j+=1
94+
hesaplanacak=pd.DataFrame(df.iloc[j:(j+1),:])
95+
y_sinif=hesaplanacak["Class"].values[0]
96+
hesaplanacak=hesaplanacak.drop("Class",axis=1) #class_ hesaplanacakın classını tuttuk
97+
train_class=df.drop("Class",axis=1) # var olan tumm verıler classları ayır
98+
train_class=df.drop(hesaplanacak.index)
99+
100+
sonuc=0
101+
deger=0
102+
i=0
103+
y=0
104+
105+
continue
106+
107+
deger=deger+(train_class.iloc[i,y]-hesaplanacak.iloc[0,y])**2 #öklid hesabı için karekok harıc olan kısım
108+
y+=1
109+
110+
except:
111+
112+
son=(count_true/(count_true+count_false))*100
113+
#print("doğruluk orani",son)
114+
115+
try:
116+
k_changed=int(input("Bir 'K' parametresi giriniz "))
117+
except:
118+
print("Hatali giris cikis yapiliyor")
119+
exit()
120+
knn(train,train_class,hesaplanacak,y_sinif,k_changed)
121+
print("Train için doğruluk orani {:.2f} ".format(son))
122+
123+
print("----------")
124+
125+
i=0
126+
j=1
127+
y=0
128+
deger=0
129+
liste_ar=[]
130+
count_true=0
131+
count_false=0
132+
son=0
133+
hesaplanacak=pd.DataFrame(test.iloc[0:1,:])
134+
135+
y_sinif=hesaplanacak["Class"].values[0]
136+
137+
hesaplanacak=hesaplanacak.drop("Class",axis=1) #class_ hesaplanacakın classını tuttuk
138+
139+
train_class=test.drop("Class",axis=1) # var olan tumm verıler classları ayır
140+
141+
train_class=test.drop(hesaplanacak.index)
142+
143+
len_test=hesaplanacak.shape[0]
144+
len_train=train_class.shape[0]
145+
len_columns=train_class.shape[1]
146+
147+
knn(test,train_class,hesaplanacak,y_sinif,k_changed)
148+
print("Test için doğruluk orani {:.2f} ".format(son))
149+
150+
end=time.time()
151+
sonucc=end-start
152+
print("Hesaplama zamani",sonucc)

‎naive_bayes.py

+129
Original file line numberDiff line numberDiff line change
@@ -0,0 +1,129 @@
1+
import pandas as pd
2+
import numpy as np
3+
import math
4+
from sklearn.preprocessing import MinMaxScaler
5+
scaler = MinMaxScaler()
6+
7+
8+
df = pd.read_excel("Dry_Bean_Dataset.xlsx")
9+
df.iloc[:,0:-1] = scaler.fit_transform(df.iloc[:,0:-1].to_numpy()) #verileri normalize ettik
10+
11+
train = df.sample(frac = 0.7, random_state = 42) # yuzde 70 30 ayrım
12+
test = df.drop(train.index)
13+
y_train = train["Class"]
14+
x_train = train.drop("Class", axis = 1)
15+
16+
y_test = test["Class"]
17+
x_test = test.drop("Class", axis = 1)
18+
19+
#####
20+
classes=[]
21+
flag=0
22+
for i in train["Class"]: #classlarımızı depoluyoruz
23+
24+
for b in classes:
25+
if(i==b):
26+
flag=1
27+
break
28+
else:
29+
flag=0
30+
31+
leng=len(classes)
32+
if(leng==7):
33+
break
34+
if(flag!=1):
35+
classes.append(i)
36+
flag=0
37+
38+
39+
df_new=pd.DataFrame()
40+
df_new_var=pd.DataFrame()
41+
df_new_prior=pd.DataFrame()
42+
43+
for i in range(0,len(classes)): # ortalama standart sapma ve ilk olasılıkları hesaplayarak dataframe'e çeviriyoruz.
44+
45+
df_new_temp=pd.DataFrame(train[train['Class'] == classes[i]].mean(numeric_only=True),columns=[classes[i]]).T
46+
temp=df_new_temp
47+
df_new=pd.concat([df_new, temp], ignore_index=False)
48+
49+
df_new_temp_var=pd.DataFrame(train[train['Class'] == classes[i]].var(numeric_only=True)**0.5,columns=[classes[i]]).T
50+
temp_var=df_new_temp_var
51+
df_new_var=pd.concat([df_new_var, temp_var], ignore_index=False)
52+
53+
df_new_temp_prior=(pd.DataFrame(train[train['Class'] == classes[i]].count(numeric_only=True)/len(train["Class"]==classes[i]),columns=[classes[i]])).iloc[-1]
54+
temp_prior=df_new_temp_prior
55+
df_new_prior=pd.concat([df_new_prior, temp_prior], ignore_index=False)
56+
57+
means=df_new
58+
stdev=df_new_var
59+
prior=df_new_prior[0]
60+
#print(means)
61+
62+
def sayisal_hesap(x, mean, stdev):
63+
#sayısal değerlerde olasılık hesabı denklemi
64+
exponent = math.exp(-((x-mean)**2 / (2 * stdev**2 )))
65+
return (1 / (math.sqrt(2 * math.pi) * stdev)) * exponent
66+
67+
68+
def Predict(x_data):
69+
Predictions = []
70+
71+
for i in x_data.index: # bir verimizi secıyoruz
72+
73+
ClassLikelihood = []
74+
instance = x_data.loc[i]
75+
76+
for j in classes: #j classların içine giriyor
77+
78+
FeatureLikelihoods = []
79+
FeatureLikelihoods.append(prior[j]) #ilk olasılığı ekliyoruz
80+
81+
for k in x_train.columns: #columnslara girerek hesap yapacagız
82+
83+
data = instance[k]
84+
85+
mean = means[k].loc[j] #ortalamayı alıyoruz
86+
variance = stdev[k].loc[j] #varyansı alıyoruz
87+
88+
Likelihood = sayisal_hesap(data, mean, variance) # sayısal değerlerde hesaplama fonksıyonu
89+
90+
if(Likelihood==0):
91+
92+
Likelihood = 0.05 # sabit olarak almak istedim
93+
# 0.05 means olarak dusunerekten
94+
# hesaplamayı bozmayacagını tahmın edıyorum
95+
96+
FeatureLikelihoods.append(Likelihood)
97+
ClassLikelihood.append(np.prod(FeatureLikelihoods))
98+
#max olasılıgı seçmek ıcın yazılan kod parcacıgı
99+
max_prob=max(ClassLikelihood)
100+
count=0
101+
for i in ClassLikelihood:
102+
if(i==max_prob):
103+
max_prob_index=count
104+
break
105+
count+=1
106+
107+
Prediction = classes[max_prob_index]
108+
109+
Predictions.append(Prediction)
110+
111+
return Predictions
112+
113+
def Accuracy(y, y_head):#doğruluk hesabını yaptıgımız bölüm
114+
y = list(y)
115+
y_head = list(y_head)
116+
score = 0
117+
118+
for i, j in zip(y, y_head):
119+
if i == j:
120+
score += 1
121+
122+
return score / len(y)
123+
124+
PredictTrain = Predict(x_train)
125+
PredictTest = Predict(x_test)
126+
127+
print("Train sonuç ",round(Accuracy(y_train, PredictTrain), 5))
128+
print("Test sonuç ",round(Accuracy(y_test, PredictTest), 5))
129+

0 commit comments

Comments
 (0)