Bu proje, farklı makine öğrenimi algoritmalarının MNIST veriseti üzerindeki performansını karşılaştırmak ve sonuçları görselleştirmek için oluşturulmuştur.
Bu projenin amacı, MNIST veriseti üzerinde farklı makine öğrenimi algoritmalarının nasıl performans gösterdiğini incelemektir. Proje, aşağıdaki adımları içerir:
- Veri Yükleme: MNIST veriseti projeye yüklenir.
- Algoritmaların Seçimi: Projede kullanılacak makine öğrenimi algoritmaları belirlenir (SVM, K-En Yakın Komşular, Naive Bayes, Karar Ağacı, Rastgele Orman, Lojistik Regresyon).
- Eğitim ve Test: Her algoritma, veriyi eğitim ve test setlerine böler ve eğitim verileri üzerinde model eğitimi yapar.
- Performans Değerlendirmesi: Her algoritmanın performansı test verileri üzerinde değerlendirilir ve doğruluk (accuracy) metriği hesaplanır.
- Sonuçların Görselleştirilmesi: Elde edilen sonuçlar bir grafik üzerinde görselleştirilir, böylece algoritmaların karşılaştırılması kolaylaştırılır.
Bu projeyi çalıştırmak için aşağıdaki bağımlılıklara ihtiyacınız olacak:
- Python 3.x
- scikit-learn
- matplotlib
Projeyle başlamak için aşağıdaki adımları izleyin:
- Depoyu yerel makinenize klonlayın.
git clone https://github.com/brankrts/ML-Algorithms-Comparator.git
- Proje dizinine gidin:
cd ML-Algorithms-Comparator
- Gerekli bağımlılıkları kurun.
pip install -r requirements.txt
main.pydosyasını çalıştırarak algoritmaların performansını inceleyin.
python main.py
Bu projede aşağıdaki makine öğrenimi algoritmaları kullanılmıştır:
- Support Vector Machine (SVM)
- K-En Yakın Komşular (KNN)
- Naive Bayes
- Karar Ağacı
- Rastgele Orman
- Lojistik Regresyon
Proje, MNIST verisetini kullanır. MNIST veriseti, elle yazılmış rakamları içeren bir verisetidir ve genellikle rakam tanıma problemleri için kullanılır.
Projenin çıktısı, her algoritmanın MNIST veriseti üzerinde elde ettiği doğruluk sonuçlarını içeren bir grafikle sunulur. Bu sonuçlar, her algoritmanın performansını kolayca karşılaştırmanıza yardımcı olur.