Matlab’da Matris Birleştirmek

Matrisleri hem dikey hem yatay olarak birleştirebilirsiniz. Satır sayısını arttırmak için virgül ile yeni matris yaratmanız gereklidir. Şu şekilde:

bir=[0,1,1,1,0,1,1,1,0,0,0] %başlangıç

dort=[iki;iki;iki;iki;iki]

dort =

 0     0     1     1     1     0
 1     1     1     0     0     0
 0     0     0     0     1     1
 0     0     1     1     1     0
 1     1     1     0     0     0
 0     0     0     0     1     1
 0     0     1     1     1     0
 1     1     1     0     0     0
 0     0     0     0     1     1
 0     0     1     1     1     0
 1     1     1     0     0     0
 0     0     0     0     1     1
 0     0     1     1     1     0
 1     1     1     0     0     0
 0     0     0     0     1     1

Matrisi bu şekilde büyütebilirsiniz. Şimdi genişletmek için yapmamız gereken mevzuyu gösterelim:

bes=[dort,dort,dort,dort]

bes =

Columns 1 through 16

 0     0     1     1     1     0     0     0     1     1     1     0     0     0     1     1
 1     1     1     0     0     0     1     1     1     0     0     0     1     1     1     0
 0     0     0     0     1     1     0     0     0     0     1     1     0     0     0     0
 0     0     1     1     1     0     0     0     1     1     1     0     0     0     1     1
 1     1     1     0     0     0     1     1     1     0     0     0     1     1     1     0
 0     0     0     0     1     1     0     0     0     0     1     1     0     0     0     0
 0     0     1     1     1     0     0     0     1     1     1     0     0     0     1     1
 1     1     1     0     0     0     1     1     1     0     0     0     1     1     1     0
 0     0     0     0     1     1     0     0     0     0     1     1     0     0     0     0
 0     0     1     1     1     0     0     0     1     1     1     0     0     0     1     1
 1     1     1     0     0     0     1     1     1     0     0     0     1     1     1     0
 0     0     0     0     1     1     0     0     0     0     1     1     0     0     0     0
 0     0     1     1     1     0     0     0     1     1     1     0     0     0     1     1
 1     1     1     0     0     0     1     1     1     0     0     0     1     1     1     0
 0     0     0     0     1     1     0     0     0     0     1     1     0     0     0     0

Columns 17 through 24

 1     0     0     0     1     1     1     0
 0     0     1     1     1     0     0     0
 1     1     0     0     0     0     1     1
 1     0     0     0     1     1     1     0
 0     0     1     1     1     0     0     0
 1     1     0     0     0     0     1     1
 1     0     0     0     1     1     1     0
 0     0     1     1     1     0     0     0
 1     1     0     0     0     0     1     1
 1     0     0     0     1     1     1     0
 0     0     1     1     1     0     0     0
 1     1     0     0     0     0     1     1
 1     0     0     0     1     1     1     0
 0     0     1     1     1     0     0     0
 1     1     0     0     0     0     1     1

Bu şekilde işlemler gerçekleştirilebilir.

Matlab’da çeşitli classification araçları

KNN, Naive Bayes, Decision Tree, Random Forest, SVM algoritmalarının örnek implementasyonu ekteki kodda bulunmaktadır:

	load fisheriris
	X = meas;
	Y = species;
	%KNN
	Mdl = fitcknn(X,Y,'NumNeighbors',5,'Standardize',1);
	Mdl.predict([1,1,1,1]); %say it setosho.
	Mdl.predict([10,5,44,66]); %Virginica
	Mdl.predict([0,0,0,0]); %Versicolor
	%SVM
	%svm=fitcsvm(X,Y); You cannot train Svm for more than 2 class
	%svm is for binary classification.
	%Naive Bayes
	naive=fitcnb(X,Y);
	naive.predict([1,1,1,1]); %versicolor
	naive.predict([10,5,44,66]); %Virginica
	naive.predict([0,0,0,0]); %Versicolor. İt is interesting.
	%Decision Tree
	decisionTree=fitctree(X,Y)
	decisionTree.predict([1,1,1,1]); %Setosa
	decisionTree.predict([10,5,44,66]); %Virginica
	decisionTree.predict([0,0,0,0]); %Setosa
	%view(decisionTree,'Mode','graph'); %Decision Tree Visualizer.
	dt2 = prune(decisionTree); %Nothing change in pruning.
	%view(dt2,'Mode','graph');
	%Random Forest
	randomforest=TreeBagger(10,X,Y)
	randomforest.predict([1,1,1,1]) %setosa
	randomforest.predict([10,5,44,66]) %virginica
	randomforest.predict([0,0,0,0]) %setosa

view raw machinelearingclassifiy.matlab hosted with ❤ by GitHub

Kaynaklar:

https://www.mathworks.com/help/stats/fitcsvm.html

https://www.mathworks.com/help/stats/examples/classification.html

https://www.mathworks.com/help/stats/treebagger.html

MacOS’ta f klavyede üzerinde sembolü ^

Üzerinde sembolünü yapmak için alt+h‘ye kombinasyonunu kullanabilirsiniz. ^ ^. Regex yazarken de oldukça yoğun bir şekilde kullanılan bir semboldür.

Sklearn Voting Classification

Voting bildiğiniz gibi makine öğrenmesi makalelerin vazgeçilmezidir. Bir kaç yöntemi birleştirip kullanarak

Bir kaç algoritmayı birleştirip sonuçların keskinleşmesini sağlarız. Üstelik bazı algoritmalara daha yüksek öncelik verebiliriz. Yalnız her şeyin çözümü (Silver Bullet) değildir. Örneğini de verelim ve bırakalım:

	from sklearn.ensemble import VotingClassifier
	from sklearn.ensemble import RandomForestClassifier
	from sklearn.svm import LinearSVC
	from sklearn.svm import NuSVC
	from sklearn.naive_bayes import GaussianNB
	knn2=KNeighborsClassifier(n_neighbors=13)
	ada2=AdaBoostClassifier(n_estimators=150)
	dt2=DecisionTreeClassifier()
	linsvc=LinearSVC()
	nusvc=NuSVC()
	randomforest=RandomForestClassifier(n_estimators=50,random_state=4)
	votme=VotingClassifier([('knn',knn2),('decisiontree',dt2),("randomforest",randomforest)
	,("LinearSvc",linsvc),("NuSvc",nusvc)
	])
	votme.fit(x_train,y_train)
	ypred=votme.predict(x_test)
	cm=confusion_matrix(y_test,ypred)
	accscr=accuracy_score(y_test,ypred)
	print(cm)
	print(accscr)

view raw votingclass.py hosted with ❤ by GitHub