Yapay zekaya giriş gerekli olan bilgiler vs.

import numpy as np
from sklearn import preprocessing
#Bazı örnek verileri tanımlayalım:
input_data = np.array([[5.1, -2.9, 3.3],
                       [-1.2, 7.8, -6.1],
                       [3.9, 0.4, 2.1],
                       [7.3, -9.9, -4.5]])
#Birkaç farklı ön işleme tekniği hakkında konuşacağız.

#1:Binarization
#Bu değerler sayısal değerlerimizi boole değerlerine dönüştürmek istediğimizde kullanılır.
#Giriş verisini, eşik değeri olarak 2.1 kullanarak ikili hale getirmek için dahili bir yöntem kullanalım
# Binarize data
data_binarized = preprocessing.Binarizer(threshold=2.1).transform(input_data)
print("\nBinarized data:\n", data_binarized)
#burda 2.1 üzerindeki değerler 1 olur diğerleri ise 0 olur

#2:Mean removal
#Ortalamanın kaldırılması, makine öğrenmede kullanılan yaygın bir ön işlem tekniğidir.
#Bu özellik vektörümüzdeki özelliklerin önyargısını kaldırmak için yapıyoruz.
## ortalama ve standart sapma
print("\nBEFORE:")
print("ortalama= (4 sutün değerinin ortalaması)", input_data.mean(axis=0))
print("sıtandart sapma", input_data.std(axis=0))
#axis = 0 denildiğinde sütün dikkate alınır veya axis = 1 için yatay dikkate alınır.

#Önceki satır, giriş verilerinin ortalama ve standart sapmasını gösterir.
# Remove mean

data_scaled = preprocessing.scale(input_data)
#Burda yaptığımız ortalamyı 0 lamak 
print("\nAFTER:")
print(data_scaled)
print("ortalama =", data_scaled.mean(axis=0))
print("Standart ortalama =", data_scaled.std(axis=0))
#3:Scaling
# Min max scaling
data_scaler_minmax = preprocessing.MinMaxScaler(feature_range=(0, 1))
print(data_scaler_minmax)
data_scaled_minmax = data_scaler_minmax.fit_transform(input_data)
print("\nMin max scaled data:\n", data_scaled_minmax)
#Her satır ölçeklenir, böylece maksimum değer 1 olur ve diğer tüm değerler bu değere göredir.

#4:Normalization
#Özellik vektöründeki değerleri değiştirmek için normalleştirme işlemini kullanırız
# Normalize data
data_normalized_l1 = preprocessing.normalize(input_data, norm='l1')
#l1 normalize her satırdaki mutlak değerin toplamının 1 olmasını sağlamaya çalışır
#l1 aykırı değerlere karşı dayanıklıdır bazen bazen bunu istemeyiz bu yüzden l2 kullanırız
data_normalized_l2 = preprocessing.normalize(input_data, norm='l2')
#l2 karelerin toplamının 1 olmasını sağlmaya çalışır
print("\nL1 normalized data:\n", data_normalized_l1)
print("\nL2 normalized data:\n", data_normalized_l2)