-
Notifications
You must be signed in to change notification settings - Fork 19
/
b-3-3-odev.py
181 lines (135 loc) · 4.96 KB
/
b-3-3-odev.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
#!/usr/bin/env python3
# -*- coding: utf-8 -*-
"""
Created on Thu Mar 15 04:18:20 2018
@author: regkr
"""
#1. kutuphaneler
import numpy as np
import matplotlib.pyplot as plt
import pandas as pd
#2. Veri Onisleme
#2.1. Veri Yukleme
veriler = pd.read_csv('odev_tenis.csv')
#pd.read_csv("veriler.csv")
print (veriler)
#veri on isleme
#eksik veriler
#encoder: Kategorik -> Numeric
#bütün kolonlara aynı anda label encodinguygulama
veriler2 = veriler.apply(LabelEncoder().fit_transform)
c = veriler2.iloc[:,0:1]
from sklearn.preprocessing import OneHotEncoder
ohe = OneHotEncoder(categorical_features='all')
c=ohe.fit_transform(c).toarray()
print(c)
havadurumu = pd.DataFrame(data = c, index = range(14), columns = ["O","R","S"])
sonveriler = pd.concat([havadurumu,veriler.iloc[:,1:3]], axis=1)
sonveriler = pd.concat([veriler2.iloc[:,-2:],sonveriler],axis=1)
from sklearn.cross_validation import train_test_split
x_train, x_test,y_train,y_test = train_test_split(sonveriler.iloc[:,:-1],sonveriler.iloc[:,-1:],test_size=0.33, random_state=0)
from sklearn.preprocessing import StandardScaler
sc = StandardScaler()
X_train = sc.fit_transform(x_train)
X_test = sc.fit_transform(x_test)
from sklearn.linear_model import LinearRegression
regressor = LinearRegression()
regressor.fit(x_train,y_train)
y_pred = regressor.predict(x_test)
import statsmodels.formula.api as sm
#veriler içine 1 lerden oluşan bir kolon ekliyoruz.(sabit oluşturmak için)
X = np.append(arr = np.ones((14,1)).astype(int), values = sonveriler.iloc[:,:-1], axis = 1)
X_l = sonveriler.iloc[:,[0,1,2,3,4,5]].values
#X_l'deki kolonların boy üzerindeki etkisini ölçmek için kullandığımız kod
r_ols = sm.OLS(endog=sonveriler.iloc[:,-1:], exog =X_l)
r = r_ols.fit()
print (r.summary())
sonveriler = sonveriler.iloc[:,1:]
X_l = sonveriler.iloc[:,[0,1,2,3,4]].values
#X_l'deki kolonların boy üzerindeki etkisini ölçmek için kullandığımız kod
r_ols = sm.OLS(endog=sonveriler.iloc[:,-1:], exog =X_l)
r = r_ols.fit()
print (r.summary())
x_train = x_train.iloc[:,1:]
x_test = x_test.iloc[:,1:]
regressor.fit(x_train,y_train)
y_pred = regressor.predict(x_test)
"""
#numpy dizileri dataframe donusumu
sonuc = pd.DataFrame(data = hava, index = range(14), columns=['günes','bulut','yagmur'] )
print(sonuc)
sonuc2 =pd.DataFrame(data = oyun, index = range(14), columns = ['var','yok'])
print(sonuc2)
nem = veriler.iloc[:,2:3].values
print(nem)
sicaklik = veriler.iloc[:,1:2].values
print(sicaklik)
rüzgar = veriler.iloc[:,-2:-1].values
print (rüzgar)
sonuc3 = pd.DataFrame(data = nem[:,:1] , index=range(14), columns=['nem'])
print(sonuc3)
sonuc4 = pd.DataFrame(data = sicaklik[:,:1] , index=range(14), columns=['sicaklik'])
print(sonuc4)
sonuc5 = pd.DataFrame(data = rüzgar[:,:1] , index=range(14), columns=['rüzgar'])
print(sonuc4)
#dataframe birlestirme islemi
s=pd.concat([sonuc,sonuc2],axis=1)
print(s)
s2= pd.concat([s,sonuc3],axis=1)
print(s2)
s3= pd.concat([s2,sonuc4],axis=1)
print(s3)
s4 = pd.concat([s3,sonuc5],axis=1)
print (s4)
oyun = s4.iloc[:,3:4].values
print (oyun)
sol = s4.iloc[:,:3]
print (sol)
sag = s4.iloc[:,5:]
print (sag)
veri = pd.concat([sol,sag],axis=1)
print (veri)
#verilerin egitim ve test icin bolunmesi
from sklearn.cross_validation import train_test_split
x_train, x_test,y_train,y_test = train_test_split(veri,oyun,test_size=0.33, random_state=0)
#verilerin olceklenmesi
from sklearn.preprocessing import StandardScaler
sc = StandardScaler()
X_train = sc.fit_transform(x_train)
X_test = sc.fit_transform(x_test)
from sklearn.linear_model import LinearRegression
regressor = LinearRegression()
regressor.fit(x_train,y_train)
y_pred = regressor.predict(x_test)
boy = s2.iloc[:,3:4].values
print (boy)
sol = s2.iloc[:,:3]
sag = s2.iloc[:,4:]
veri = pd.concat([sol,sag],axis=1)
x_train, x_test,y_train,y_test = train_test_split(veri,boy,test_size=0.33, random_state=0)
from sklearn.linear_model import LinearRegression
r2 = LinearRegression()
r2.fit(x_train,y_train)
y_pred = r2.predict(x_test)
#backward elimination yöntemi
import statsmodels.formula.api as sm
#veriler içine 1 lerden oluşan bir kolon ekliyoruz.(sabit oluşturmak için)
X = np.append(arr = np.ones((14,1)).astype(int), values = veri, axis = 1)
X_l = veri.iloc[:,[0,1,2,3,4]].values
#X_l'deki kolonların boy üzerindeki etkisini ölçmek için kullandığımız kod
r_ols = sm.OLS(endog=oyun, exog =X_l)
r = r_ols.fit()
print (r.summary())
#şimdi burada yukarıdaki kodu çalıştırınca p değerinin en yüksek olduğu 4. kolunu
#listeden çıkardık ve kalan kolonlarla tekrar etkileri ölçtük.
X_l = veri.iloc[:,[0,1,2,3,]].values
r_ols = sm.OLS(endog=boy, exog =X_l)
r = r_ols.fit()
print (r.summary())
#tekrar ölçtüğümüzde son kolonunda p değerinin 0'dan büyük olduğunu gördük ve
#elemek istedik. Aslında 0.05 in altındaydı yani kabul edilebilridi ama eledik yine de
X_l = veri.iloc[:,[0,1,2,3,5]].values
r_ols = sm.OLS(endog=boy, exog =X_l)
r = r_ols.fit()
print (r.summary()) #rapor veya özet yazdırdık modelle ilgili
"""