k_fold_cross_validation

#!/usr/bin/env python3
# -*- coding: utf-8 -*-


#1. kutuphaneler
import numpy as np
import matplotlib.pyplot as plt
import pandas as pd

# veri kümesi
dataset = pd.read_csv('Social_Network_Ads.csv')
X = dataset.iloc[:, [2, 3]].values
y = dataset.iloc[:, 4].values

# eğitim ve test kümelerinin bölünmesi
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size = 0.25, random_state = 0)

# Ölçekleme
from sklearn.preprocessing import StandardScaler
sc = StandardScaler()
X_train = sc.fit_transform(X_train)
X_test = sc.transform(X_test)

# SVM
from sklearn.svm import SVC
classifier = SVC(kernel = 'rbf', random_state = 0)
classifier.fit(X_train, y_train) #x trainden y yi bul. 

# Tahminler
y_pred = classifier.predict(X_test)

#  Confusion Matrix
from sklearn.metrics import confusion_matrix
cm = confusion_matrix(y_test, y_pred)

print(cm)


#k-katlamali capraz dogrulama 
from sklearn.model_selection import cross_val_score
''' 
bu cross val 3 değer alıyor bunlara netten bakabiliriz. 
1. estimator : hangi algoritmayı kullanacağı yani classifier burda çünkü biz ismini öyle verdik.
2. hangi x değerinden hangi y değerini train edecek onu belirtiyoruz. bağımlı ve bağımsız değişkenler
X diyoruz yani.
3. Y
4. cv : kaç katlamalı yani kaça kadar böleceği. 

'''
basari = cross_val_score(estimator = classifier, X=X_train, y=y_train , cv = 4)
print(basari.mean()) #başarı ortalamasını verir. biz burda svm denedik svmin başarını gördük. 
#başka algoritmalar kullanarak bunların başarılarını da görüp en iyisini seçebiliriz. 
print(basari.std()) #standart sapmayı verir. ne kadar düşükse o kadar iyi çünkü
#her bir çalışmanın sonucunda ne kadar farklı çıktı. yani hepsi %90 çıkarsa sapma düşük olur 
#ama biri 50 biri 60 biri 90 sa sıkıntı sapma büyük olur.