📊 Makine Öğrenmesi Sınıflandırma & Regresyon Hattı

Dry Bean & Algerian Forest Fires Veri Seti Analizi

Bu proje, iki farklı gerçek dünya veri seti üzerinde sınıflandırma ve regresyon problemlerini çözmek için modern makine öğrenmesi algoritmalarını kullanan uçtan uca bir analiz hattıdır.

Amaç:
Veri indirme → temizleme → modelleme → çapraz doğrulama → performans karşılaştırması → görselleştirme
adımlarını tamamen otomatik ve sunuma hazır şekilde üretmek.

---

🚀 Proje Özeti

Proje iki ana bölümden oluşmaktadır:

🔹 Bölüm 1 — Sınıflandırma (Dry Bean Veri Seti)

• Amaç: Fasulye türlerini sınıflandırmak
• Veri Kaynağı: UCI Machine Learning Repository – Dry Bean Dataset
• Toplam Örnek Sayısı: 13.611
• Özellik Sayısı: 16
• Sınıflar: DERMASON, SIRA, SEKER, HOROZ, CALI, BARBUNYA, BOMBAY
• Kullanılan Modeller:
  • SVM (RBF Kernel)
  • XGBoost Classifier
• Değerlendirme Metrikleri:
  • Accuracy (Doğruluk)
  • F1-Score (Weighted)

---

🔹 Bölüm 2 — Regresyon (Algerian Forest Fires Veri Seti)

• Amaç: Fire Weather Index (FWI) tahmini
• Veri Kaynağı: UCI Machine Learning Repository – Algerian Forest Fires
• Temizlenmiş Örnek Sayısı: 243
• Kullanılan Modeller:
  • SVR (RBF Kernel)
  • XGBoost Regressor
• Değerlendirme Metrikleri:
  • MAE (Mean Absolute Error)
  • SMAPE (Symmetric Mean Absolute Percentage Error)

---

Projeyi Çalıştırma Sonrası

Projeyi çalıştırdığınızda:

• Veri setleri otomatik olarak indirilir
• Veri temizleme ve ölçekleme yapılır
• Modeller 3-Fold Cross Validation ile eğitilir
• Performans metrikleri hesaplanır
• Grafikler otomatik olarak gösterilir
• En sonda genel karşılaştırma tablosu terminale yazdırılır

Örnek Çıktılar ve Görselleştirmeler

Dry Bean – Sınıf Dağılımı

SVM – Hata Matrisi

XGBoost – Hata Matrisi

FWI Hedef Değişken Dağılımı

SVR – Gerçek vs Tahmin

XGBoost – Gerçek vs Tahmin

📈 Model Performans Sonuçları

🔹 Sınıflandırma — Dry Bean Veri Seti

Model	Accuracy	F1-Score
SVM	%92.84	%92.85
XGBoost	%92.40	%92.40

---

🔹 Regresyon — Algerian Forest Fires Veri Seti

Model	MAE	SMAPE
SVR	1.5800	%48.31
XGBoost	0.7127	%23.82

---

🏆 Genel Karşılaştırma Tablosu

Veri Seti	Model	1. Metrik	2. Metrik
Dry Bean (Sınıflandırma)	SVM	%92.84 (ACC)	%92.85 (F1)
Dry Bean (Sınıflandırma)	XGBoost	%92.40 (ACC)	%92.40 (F1)
Algerian Forest (Regresyon)	SVR	1.5800 (MAE)	%48.31 (SMAPE)
Algerian Forest (Regresyon)	XGBoost	0.7127 (MAE)	%23.82 (SMAPE)

Temel İstatistik Özeti

Veri Seti	Örnek Sayısı	Özellik Sayısı	Hedef
Dry Bean	13.611	16	Class
Algerian Forest	243	—	FWI

Temel Çıkarımlar

• Dry Bean veri seti dengesizdir (en büyük sınıf, en küçüğün 6.8 katıdır)
• Buna rağmen SVM ve XGBoost %92 üzeri doğruluk elde etmiştir
• XGBoost, sınıflandırmada SVM’den az farkla geride kalmıştır
• Regresyonda ise SVR’ye kıyasla çok daha düşük hata üretmiştir
• FWI dağılımı sağa çarpıktır, bu yüzden MAE metriği daha güvenilirdir
• XGBoost regresyonda yaklaşık %55 daha düşük MAE elde etmiştir

📌 Notlar

• Dry Bean veri seti dengesizdir (en büyük sınıf, en küçüğün 6.8 katıdır)
• Büyük veri setlerinde görseller için rastgele 1000 örnek kullanılır
• XGBoost bu projede regresyon için en başarılı modeldir

Lisans

Bu proje Örüntü Tanıma dersi kapsamında hazırlanmıştır, eğitim ve araştırma amaçlıdır.
Serbestçe geliştirilebilir ve yeniden kullanılabilir.