Prompt Detail:
Tamam, anladım. Örnek bir sınıflandırma modeli olarak, verileri sınıflandırmak için çoklu sınıf SVM (Support Vector Machine) kullanabiliriz. Bu modeli fit edip sonrasında confusion matrix'ini elde etmek için şu adımları takip edebiliriz:
- İlk olarak, gerekli kütüphaneleri import edelim:
pythonfrom sklearn import svm, datasets
from sklearn.model_selection import train_test_split
from sklearn.metrics import plot_confusion_matrix
import matplotlib.pyplot as plt
- Daha sonra, iris veri setini yükleyelim ve X ve y değişkenlerine ayıralım:
pythoniris = datasets.load_iris() X = iris.data y = iris.target
- Veri setini train ve test setlerine ayıralım:
pythonX_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=0)
- SVM modelini tanımlayalım ve train setine fit edelim:
pythonsvm_model = svm.SVC(kernel='linear', C=1, decision_function_shape='ovo')
svm_model.fit(X_train, y_train)
- Son olarak, confusion matrix'ini çizdirelim:
pythontitles_options = [("Confusion matrix, without normalization", None),
("Normalized confusion matrix", 'true')]
for title, normalize in titles_options:
disp = plot_confusion_matrix(svm_model, X_test, y_test,
cmap=plt.cm.Blues,
normalize=normalize)
disp.ax_.set_title(title)
print(title)
print(disp.confusion_matrix)
plt.show()
Bu kodlar sayesinde, SVM modelimizin confusion matrix'ini görselleştirebiliriz. İlk çıktıda normalleştirilmemiş confusion matrix, ikinci çıktıda ise normalleştirilmiş confusion matrix yer alacaktır.
Add a comment