-
Notifications
You must be signed in to change notification settings - Fork 0
/
makine.py
338 lines (241 loc) · 12.3 KB
/
makine.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
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
import pandas as pd
import matplotlib.pyplot as plt
import numpy as np
import seaborn as sns
from itertools import cycle, islice
from sklearn.model_selection import train_test_split
from sklearn import preprocessing
from sklearn.preprocessing import StandardScaler
from sklearn.neighbors import KNeighborsClassifier
from sklearn.metrics import confusion_matrix
from sklearn.metrics import classification_report
from sklearn.naive_bayes import GaussianNB
from sklearn.svm import SVC
from sklearn.tree import DecisionTreeClassifier
from sklearn.linear_model import LogisticRegression
from sklearn.neural_network import MLPClassifier
from sklearn.metrics import accuracy_score
dataMeta = pd.read_csv("ISIC_2019_Training_Metadata.csv" , #MetaData dataframenin
usecols =['image','age_approx','anatom_site_general','gender']) #istenilen kolonlarını çektik.
dataMeta=dataMeta.dropna() #Herhangi NaN değeri varsa o satırı sildik.
groundTruth= pd.read_csv("ISIC_2019_Training_GroundTruth.csv") #GroundTruth dataframei çektik.
sinifDf = pd.DataFrame([x for x in np.where(groundTruth == 1, #GroundTruth tablosunun kolonlarında hucre değeri
groundTruth.columns,'').flatten().tolist() # 1 olanları alarak sinifDf dataframeni oluşturduk.
if len(x) > 0], columns= (["Sinif"]))
mainDf = pd.concat([dataMeta, sinifDf], axis=1, join='inner') #dataMeta ile sinifDf dataframelerini satır
#bazında birleştirdik. Önceliği dataMeta dataframede oldu.
dictData = { #Kategorileştirmek için sınıf kodu için sözlük hazırladık.
'MEL': 'Melanoma',
'NV': 'Melanocytic nevus',
'BCC': 'Basal cell carcinoma',
'AK': 'Actinic keratosis',
'BKL': 'Benign keratosis',
'DF': 'Dermatofibroma',
'VASC': 'Vascular lesion',
'SCC': 'Squamous cell carcinoma',
'UNK': 'None of the others'
}
mainDf['Sinif Turleri'] = mainDf['Sinif'].map(dictData.get) #Sınıfın Türleri adında bir kolon oluşturup
#sözlüğümüzü yolladık. Sözlüğümüze göre kolonu doldurdu.
mainDf['SinifId'] = pd.Categorical(mainDf['Sinif']).codes #SınıfId adında kolon oluşturduk. İçine ise kanser
#türlerinin Idsini otomatik gönderdik.(Id leri
#alfabetik sıraya ve başlangıç 0 olarak atıyor.)
my_colors = list(islice(cycle(['#4169E1', '#4682B4', '#6495ED','#1E90FF', '#00BFFF', '#87CEFA','#ADD8E6','#B0E0E6','#B0C4DE']), None, len(mainDf))) #Grafiklerde Kullanılacak renkleri tanımladık.
#Sınıf Türlerinin sahip oldukları örnek sayılarının dağılımını gösteren grafik
fig1 , ax1 = plt.subplots(1, 1, figsize= (10,5))
mainDf['Sinif Turleri'].value_counts().plot(kind='bar', ax=ax1, color=my_colors)
ax1.set_title('Sınıf Türlerinin sahip oldukları örnek sayılarının dağılımını gösteren grafik',
fontsize=16)
plt.legend()
fig1.tight_layout()
fig1.savefig('sinifdagilim.png')
#Lezyonun bulunduğu bölgeye örnek sayılarının dağılımını gösteren grafik
fig2 , ax2 = plt.subplots(1, 1, figsize= (10, 5))
mainDf['anatom_site_general'].value_counts().plot(kind='bar',ax=ax2, color=my_colors)
ax2.set_title('Lezyonun bulunduğu bölgeye örnek sayılarının dağılımını gösteren grafik',
fontsize=16)
plt.legend()
plt.tight_layout()
fig2.savefig('lezyondagilim.png')
#Cinsiyete göre verilerin dağılımını gösteren grafik
fig3 , ax3 = plt.subplots(1, 1, figsize= (10, 5))
mainDf['gender'].value_counts().plot(kind='bar',ax=ax3,color=my_colors)
ax3.set_title('Cinsiyete göre verilerin dağılımını gösteren grafik',
fontsize=16)
plt.legend()
plt.tight_layout()
fig3.savefig('cinsiyetdagilim.png')
#Verinin yaş dağılımını gösteren grafik
fig4 , ax4 = plt.subplots(1, 1, figsize= (10, 5))
mainDf['age_approx'].hist(bins=25, color = "#20B2AA")
ax4.set_title('Verinin yaş dağılımını gösteren grafik',
fontsize=16)
plt.tight_layout()
fig4.savefig('yasdagilim.png')
#Sınıfı Melanoma olan örneklerde cinsiyet dağılımını veren grafik.
melGender=mainDf[['SinifId','gender']] #mainDf dataframeden Sınıf ve gender kolonunun alıyoruz.
filtreMell = melGender.SinifId == 4 #MEL sınıfının Id'si 4.
filtreMel = melGender[filtreMell] #Oluşturduğumuz filtreyi melGender dataframe atayarak filtreliyoruz.
fig5 , ax5 = plt.subplots(1,1,figsize = (10,5))
ax5.set_title('Sınıfı Melanoma olan örneklerde cinsiyet dağılımını veren grafik',
fontsize=16)
filtreMel['gender'].value_counts().plot(kind='bar',ax=ax5, color=my_colors)
plt.legend()
plt.tight_layout()
fig5.savefig('melanomacinsiyet.png')
#Sınıfı Melanoma olan örneklerde lezyonun bulunduğu bölgeye göre dağılımını veren grafik.
melAnatom=mainDf[['SinifId','anatom_site_general']] #mainDf dataframeden Sınıf ve anatom_site_general kolonunun alıyoruz.
filtreAnatomm = melAnatom.SinifId == 4 #MEL sınıfının Id'si 4.
filtreAnatom = melAnatom[filtreAnatomm] #Oluşturduğumuz filtreyi melAnatom dataframe atayarak filtreliyoruz.
fig6 , ax6 = plt.subplots(1,1,figsize = (10,5))
ax6.set_title('Sınıfı Melanoma olan örneklerde lezyonun bulunduğu bölgeye göre dağılımını veren grafik',
fontsize=16)
filtreAnatom['anatom_site_general'].value_counts().plot(kind='bar',ax=ax6, color=my_colors)
plt.legend()
plt.tight_layout()
fig6.savefig('melanomalezyon.png')
mainDf.to_csv('resultData.csv', index = False) #Eğitimler için en son ulaştığımız DataFrame i csv olarak kaydediyoruz.
mainDf=mainDf.drop(['Sinif Turleri','SinifId'],axis=1)
#EĞİTİM
le = preprocessing.LabelEncoder() #Kategorileri Sayısallaştırdık.
dtype_object=mainDf.select_dtypes(include=['object'])
for x in dtype_object.columns:
mainDf[x]=le.fit_transform(mainDf[x])
X = mainDf.iloc[:,1:4] #Bağımlı ve Bağımsız Değişkenleri tanımladık.
y = mainDf.iloc[:,4]
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size = 0.20 ) #Eğitim ve test için verileri %80 - %20 böldük.
sc = StandardScaler() #Sayısal verileri ölçeklendirdik.
X_train = sc.fit_transform(X_train)
X_test = sc.transform(X_test)
algorithms=[] #Algoritmaların başarı durumlarını grafikleştirmek için
score=[] #2 tane dizi oluşturduk ve algoritma değerleri içine atacağız.
#KNN
knn=KNeighborsClassifier(n_neighbors=244, algorithm='kd_tree')
knn.fit(X_train,y_train)
y_pred=knn.predict(X_test)
cm = confusion_matrix(y_test, y_pred)
ac = accuracy_score(y_test, y_pred)
cr = classification_report(y_test, y_pred, labels=np.unique(y_pred))
algorithms.append("KNN")
score.append(ac)
print('KNN accuracy: %' + str(ac * 100))
print('--------------------------------------\n')
print(cr)
print('--------------------------------------\nConfusion Matrix:')
print(cm)
fig7,ax7=plt.subplots(figsize=(5,5))
sns.heatmap(cm,annot=True,linewidths=0.5,linecolor="red",fmt=".0f",ax=ax7)
plt.xlabel("y_pred")
plt.ylabel("y_test")
plt.title(" KNN Confusion Matrix")
fig7.savefig('knnConfusionMatrix.png')
#Navie-Bayes
nb=GaussianNB()
nb.fit(X_train,y_train)
y_pred=nb.predict(X_test)
cm = confusion_matrix(y_test, y_pred)
ac = accuracy_score(y_test, y_pred)
cr = classification_report(y_test, y_pred, labels=np.unique(y_pred))
algorithms.append("Navie-Bayes")
score.append(ac)
print('Navie-Bayes accuracy: %' + str(ac * 100))
print('--------------------------------------\n')
print(cr)
print('--------------------------------------\nKonfüzyon Matrisi:')
print(cm)
fig8,ax8=plt.subplots(figsize=(5,5))
sns.heatmap(cm,annot=True,linewidths=0.5,linecolor="red",fmt=".0f",ax=ax8)
plt.xlabel("y_pred")
plt.ylabel("y_test")
plt.title(" Navie-Bayes Confusion Matrix")
fig8.savefig('navieBayesConfusionMatrix.png')
##Support Vector Machine
svm = SVC(random_state=1,kernel='linear', C=1, degree=3, gamma='scale', max_iter=-1)
svm.fit(X_train,y_train)
y_pred = svm.predict(X_test)
cm = confusion_matrix(y_test, y_pred)
ac = accuracy_score(y_test, y_pred)
cr = classification_report(y_test, y_pred, labels=np.unique(y_pred))
algorithms.append("Support Vector Machine")
score.append(ac)
print('Support Vector Machine accuracy: %' + str(ac * 100))
print('--------------------------------------\n')
print(cr)
print('--------------------------------------\nKonfüzyon Matrisi:')
print(cm)
fig9,ax9=plt.subplots(figsize=(5,5))
sns.heatmap(cm,annot=True,linewidths=0.5,linecolor="red",fmt=".0f",ax=ax9)
plt.xlabel("y_pred")
plt.ylabel("y_test")
plt.title(" Support Vector Machine Confusion Matrix")
fig9.savefig('supportVectorMachineConfusionMatrix.png')
#DecisionTree
dt=DecisionTreeClassifier(criterion='gini',splitter='best',max_depth=None)
dt.fit(X_train,y_train)
y_pred = dt.predict(X_test)
cm = confusion_matrix(y_test, y_pred)
ac = accuracy_score(y_test, y_pred)
cr = classification_report(y_test, y_pred, labels=np.unique(y_pred))
algorithms.append("Decision Tree")
score.append(ac)
print('Decision Tree accuracy: %' + str(ac * 100))
print('--------------------------------------\n')
print(cr)
print('--------------------------------------\nKonfüzyon Matrisi:')
print(cm)
fig10,ax10=plt.subplots(figsize=(5,5))
sns.heatmap(cm,annot=True,linewidths=0.5,linecolor="red",fmt=".0f",ax=ax10)
plt.xlabel("y_pred")
plt.ylabel("y_test")
plt.title(" Decision Tree Confusion Matrix")
fig10.savefig('decisionTreeConfusionMatrix.png')
# LogisticRegression
lr = LogisticRegression(solver='lbfgs')
lr.fit(X_train,y_train)
y_pred=lr.predict(X_test)
cm = confusion_matrix(y_test, y_pred)
ac = accuracy_score(y_test, y_pred)
cr = classification_report(y_test, y_pred, labels=np.unique(y_pred))
algorithms.append("Logistic Regression")
score.append(ac)
print('Logistic Regression accuracy: %' + str(ac * 100))
print('--------------------------------------\n')
print(cr)
print('--------------------------------------\nKonfüzyon Matrisi:')
print(cm)
fig11,ax11=plt.subplots(figsize=(5,5))
sns.heatmap(cm,annot=True,linewidths=0.5,linecolor="red",fmt=".0f",ax=ax11)
plt.xlabel("y_pred")
plt.ylabel("y_test")
plt.title(" LogisticRegression Konfüzyon Matrisi")
fig11.savefig('logisticRegressionConfusionMatrix.png')
# Yapay Sinir Ağları
sknet = MLPClassifier(hidden_layer_sizes=(8), learning_rate_init=0.01, max_iter=100)
sknet.fit(X_train, y_train)
y_pred = sknet.predict(X_test)
cm = confusion_matrix(y_test, y_pred)
ac = accuracy_score(y_test, y_pred)
cr = classification_report(y_test, y_pred, labels=np.unique(y_pred))
algorithms.append("Yapay Sinir Ağları")
score.append(ac)
print('Yapay Sinir Ağları accuracy: %' + str(ac * 100))
print('--------------------------------------\n')
print(cr)
print('--------------------------------------\nKonfüzyon Matrisi:')
print(cm)
fig12,ax12=plt.subplots(figsize=(5,5))
sns.heatmap(cm,annot=True,linewidths=0.5,linecolor="red",fmt=".0f",ax=ax12)
plt.xlabel("y_pred")
plt.ylabel("y_test")
plt.title(" Yapay Sinir Ağları Konfüzyon Matrisi")
fig12.savefig('yapaySinirAglariConfusionMatrix.png')
#Algoritmaların Başarı Düzeylerinin Grafiği
x_pos = [i for i, _ in enumerate(algorithms)]
xada=pd.DataFrame(score,algorithms)
print(xada)
fig13,ax13=plt.subplots(figsize=(10,5))
plt.bar(x_pos, score, color=my_colors)
plt.ylabel("Başarı Oranı")
plt.title("Algoritmaların Başarı Oranları")
plt.xticks(x_pos, algorithms,rotation=90)
fig13.savefig('basariOrani.png')