Prompt Title: ödev

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:

1. İlk olarak, gerekli kütüphaneleri import edelim:

pythonCopy code
from sklearn import svm, datasets
from sklearn.model_selection import train_test_split
from sklearn.metrics import plot_confusion_matrix
import matplotlib.pyplot as plt

2. Daha sonra, iris veri setini yükleyelim ve X ve y değişkenlerine ayıralım:

pythonCopy code
iris = datasets.load_iris()
X = iris.data
y = iris.target

3. Veri setini train ve test setlerine ayıralım:

pythonCopy code
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=0)

4. SVM modelini tanımlayalım ve train setine fit edelim:

pythonCopy code
svm_model = svm.SVC(kernel='linear', C=1, decision_function_shape='ovo')
svm_model.fit(X_train, y_train)

5. Son olarak, confusion matrix'ini çizdirelim:

pythonCopy code
titles_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.