<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by Aslı SESLİ on Medium]]></title>
        <description><![CDATA[Stories by Aslı SESLİ on Medium]]></description>
        <link>https://medium.com/@aslisesli8?source=rss-24a38b9d8c7f------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/0*EyxtRJUF-oFq5IgU</url>
            <title>Stories by Aslı SESLİ on Medium</title>
            <link>https://medium.com/@aslisesli8?source=rss-24a38b9d8c7f------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Sat, 21 Nov 2026 22:15:14 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@aslisesli8/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[Paralel Büyük Veri İşleme: PySpark ve cuML ile Sınıflandırma]]></title>
            <link>https://medium.com/@aslisesli8/paralel-b%C3%BCy%C3%BCk-veri-i%CC%87%C5%9Fleme-pyspark-ve-cuml-ile-s%C4%B1n%C4%B1fland%C4%B1rma-23745bac9506?source=rss-24a38b9d8c7f------2</link>
            <guid isPermaLink="false">https://medium.com/p/23745bac9506</guid>
            <category><![CDATA[pyspark]]></category>
            <category><![CDATA[cudf]]></category>
            <category><![CDATA[big-data]]></category>
            <category><![CDATA[data-science]]></category>
            <category><![CDATA[python]]></category>
            <dc:creator><![CDATA[Aslı SESLİ]]></dc:creator>
            <pubDate>Thu, 04 Jan 2024 12:42:42 GMT</pubDate>
            <atom:updated>2024-01-04T12:45:09.709Z</atom:updated>
            <content:encoded><![CDATA[<p>Günümüzde büyük veri setleriyle çalışmak, geleneksel veri işleme yaklaşımlarını zorlamaktadır. Bu makalede, PySpark ve NVIDIA’nın GPU tabanlı kütüphaneleri cuDF ve cuML kullanarak büyük veri setleri üzerinde sınıflandırma işlemi yapmanın gücünü keşfedeceğiz.</p><p>Büyük veri setleri içinde sınıflandırma işlemi gerçekleştirmek genellikle yavaş ve zorlu bir süreç olabilir. PySpark ve cuML, bu zorluğu aşmak için bir araya gelir. İlk olarak, ele alacağımız problemi ve kullanacağımız veri setini tanımlayalım.</p><p>Bu makalede ele alacağımız veri seti, Kaggle platformunda bulunan “<a href="https://www.kaggle.com/datasets/mlg-ulb/creditcardfraud">Credit Card Fraud Detection”</a> veri setidir. Bu veri seti, kredi kartı işlemleri üzerinde sahtecilik tespiti yapmak amacıyla oluşturulmuştur. Günümüzde finansal işlemlerdeki sahtecilik, büyük bir sorun haline gelmiştir ve bu veri seti, sahtecilik tespiti algoritmalarının geliştirilmesine katkı sağlamak üzere oluşturulmuştur.</p><p>Veri seti, toplamda binlerce kredi kartı işlemi üzerinde çeşitli özellikleri içermektedir. Bu özellikler arasında işlem tutarı, işlem tarihi, işlem tipi gibi temel bilgilerin yanı sıra, sahtecilik durumunu belirlemeye yardımcı olacak özel özellikler de bulunmaktadır. Her bir işlem, sahtecilik olup olmadığını gösteren bir etiketle (label) belirtilmiştir.</p><p><strong><em>PySpark</em></strong></p><p>PySpark, büyük veri analitiği ve işleme konusunda etkili bir çözüm sunan Apache Spark’ın Python programlama dili API’sidir. Geleneksel veri işleme yöntemlerinin zorlandığı büyük veri setleriyle çalışmak için tasarlanan PySpark, işlemleri paralel olarak gerçekleştirerek yüksek performans sağlar. Apache Spark’ın gücünü Python geliştiricilerine taşıyan bu kütüphane, büyük veri setlerinin üzerinde hızlı ve ölçeklenebilir analitik işlemler gerçekleştirmenin anahtarıdır.</p><p>PySpark’ın temel özelliklerinden biri, dağıtık veri yapısı olan RDD (Resilient Distributed Datasets) üzerine inşa edilmiş olmasıdır. Bu sayede büyük veri setleri paralel olarak işlenebilir ve işlemler hataya dayanıklı bir şekilde gerçekleştirilebilir. Ayrıca, PySpark, Spark SQL, DataFrame API ve Spark MLlib gibi modüller aracılığıyla çeşitli veri manipülasyonu, sorgulama ve makine öğrenimi işlemleri için kapsamlı araçlar sunar.</p><p>Şimdi kredi kartı veriseti ile PySpark kullanarak sınıflandırma işlemi yaptığımız kodlara bakalım.</p><p>Önce colab ortamında pyspark kütüphanesinin kurulumunu yapalım.</p><pre>!pip install pyspark</pre><p>Sınıflandırma işlemi için randomforest algoritması kullandık, model değerlendirme metriği olarak da accuracy kullandık bunları bildiğinizi varsayarak makaleyi kısa tutup amaca hizmet etmesini sağlayalım :)</p><pre>%%time<br># PySpark&#39;ı başlat<br>from pyspark.sql import SparkSession<br>from pyspark.ml.classification import RandomForestClassifier<br>from pyspark.ml.feature import VectorAssembler<br><br>spark = SparkSession.builder.appName(&quot;example&quot;).getOrCreate()<br><br># CSV dosyasını okuma<br>df = spark.read.csv(&quot;creditcard.csv&quot;, header=True, inferSchema=True)<br><br># Veri setini inceleme<br>df.show()<br><br># Özellik seçimi<br>selected_features = df.columns[: -1]<br># Hedef değişkeni seçme (son kolon hedef değişken)<br>target_variable = df.columns[-1]<br><br><br># Veri setini eğitim ve test kümelerine ayırma<br>(training_data, test_data) = df.randomSplit([0.8, 0.2], seed=42)<br><br><br># Özellikleri vektöre dönüştürme<br>assembler = VectorAssembler(<br>    inputCols=selected_features,<br>    outputCol=&quot;features&quot;<br>)<br><br>assembled_training_data = assembler.transform(training_data)<br>assembled_test_data = assembler.transform(test_data)<br><br># RandomForest modelini oluşturma<br>dt_classifier = RandomForestClassifier(labelCol=df.columns[-1], featuresCol=&quot;features&quot;)<br>model = dt_classifier.fit(assembled_training_data)<br><br># Modeli değerlendirme<br>from pyspark.ml.evaluation import BinaryClassificationEvaluator<br><br>predictions = model.transform(assembled_test_data)<br>evaluator = BinaryClassificationEvaluator(labelCol=df.columns[-1])<br>accuracy = evaluator.evaluate(predictions)<br><br>print(&quot;Accuracy:&quot;, accuracy)</pre><p><em>çıktı:</em></p><pre>+----+------------------+-------------------+------------------+-------------------+-------------------+-------------------+--------------------+-------------------+------------------+-------------------+------------------+------------------+-------------------+-------------------+-------------------+-------------------+--------------------+-------------------+-------------------+-------------------+--------------------+-------------------+-------------------+-------------------+-------------------+-------------------+--------------------+-------------------+------+-----+<br>|Time|                V1|                 V2|                V3|                 V4|                 V5|                 V6|                  V7|                 V8|                V9|                V10|               V11|               V12|                V13|                V14|                V15|                V16|                 V17|                V18|                V19|                V20|                 V21|                V22|                V23|                V24|                V25|                V26|                 V27|                V28|Amount|Class|<br>+----+------------------+-------------------+------------------+-------------------+-------------------+-------------------+--------------------+-------------------+------------------+-------------------+------------------+------------------+-------------------+-------------------+-------------------+-------------------+--------------------+-------------------+-------------------+-------------------+--------------------+-------------------+-------------------+-------------------+-------------------+-------------------+--------------------+-------------------+------+-----+<br>| 0.0|  -1.3598071336738|-0.0727811733098497|  2.53634673796914|   1.37815522427443| -0.338320769942518|  0.462387777762292|   0.239598554061257| 0.0986979012610507| 0.363786969611213| 0.0907941719789316|-0.551599533260813|-0.617800855762348| -0.991389847235408| -0.311169353699879|   1.46817697209427| -0.470400525259478|   0.207971241929242| 0.0257905801985591|  0.403992960255733|  0.251412098239705|  -0.018306777944153|  0.277837575558899| -0.110473910188767| 0.0669280749146731|  0.128539358273528| -0.189114843888824|   0.133558376740387|-0.0210530534538215|149.62|    0|<br>| 0.0|  1.19185711131486|   0.26615071205963|  0.16648011335321|  0.448154078460911| 0.0600176492822243|-0.0823608088155687| -0.0788029833323113| 0.0851016549148104|-0.255425128109186| -0.166974414004614|  1.61272666105479|  1.06523531137287|   0.48909501589608| -0.143772296441519|  0.635558093258208|  0.463917041022171|  -0.114804663102346| -0.183361270123994| -0.145783041325259|-0.0690831352230203|  -0.225775248033138| -0.638671952771851|  0.101288021253234| -0.339846475529127|  0.167170404418143|  0.125894532368176|-0.00898309914322813| 0.0147241691924927|  2.69|    0|<br>| 1.0| -1.35835406159823|  -1.34016307473609|  1.77320934263119|  0.379779593034328| -0.503198133318193|   1.80049938079263|   0.791460956450422|  0.247675786588991| -1.51465432260583|  0.207642865216696| 0.624501459424895| 0.066083685268831|  0.717292731410831| -0.165945922763554|   2.34586494901581|  -2.89008319444231|    1.10996937869599| -0.121359313195888|  -2.26185709530414|  0.524979725224404|   0.247998153469754|  0.771679401917229|  0.909412262347719| -0.689280956490685| -0.327641833735251| -0.139096571514147| -0.0553527940384261|-0.0597518405929204|378.66|    0|<br>| 1.0|-0.966271711572087| -0.185226008082898|  1.79299333957872| -0.863291275036453|-0.0103088796030823|   1.24720316752486|    0.23760893977178|  0.377435874652262| -1.38702406270197|-0.0549519224713749|-0.226487263835401| 0.178228225877303|  0.507756869957169|  -0.28792374549456| -0.631418117709045|   -1.0596472454325|  -0.684092786345479|   1.96577500349538|   -1.2326219700892| -0.208037781160366|  -0.108300452035545|0.00527359678253453| -0.190320518742841|  -1.17557533186321|  0.647376034602038| -0.221928844458407|  0.0627228487293033| 0.0614576285006353| 123.5|    0|<br>| 2.0| -1.15823309349523|  0.877736754848451|    1.548717846511|  0.403033933955121| -0.407193377311653| 0.0959214624684256|   0.592940745385545| -0.270532677192282| 0.817739308235294|  0.753074431976354|-0.822842877946363|  0.53819555014995|    1.3458515932154|  -1.11966983471731|  0.175121130008994| -0.451449182813529|  -0.237033239362776|-0.0381947870352842|  0.803486924960175|  0.408542360392758|-0.00943069713232919|   0.79827849458971| -0.137458079619063|  0.141266983824769| -0.206009587619756|  0.502292224181569|   0.219422229513348|  0.215153147499206| 69.99|    0|<br>| 2.0|-0.425965884412454|  0.960523044882985|  1.14110934232219| -0.168252079760302|   0.42098688077219|-0.0297275516639742|   0.476200948720027|  0.260314333074874| -0.56867137571251| -0.371407196834471|  1.34126198001957| 0.359893837038039| -0.358090652573631| -0.137133700217612|  0.517616806555742|  0.401725895589603| -0.0581328233640131| 0.0686531494425432|-0.0331937877876282| 0.0849676720682049|  -0.208253514656728| -0.559824796253248|-0.0263976679795373| -0.371426583174346| -0.232793816737034|  0.105914779097957|   0.253844224739337| 0.0810802569229443|  3.67|    0|<br>| 4.0|  1.22965763450793|  0.141003507049326|0.0453707735899449|   1.20261273673594|  0.191880988597645|  0.272708122899098|-0.00515900288250983| 0.0812129398830894| 0.464959994783886|-0.0992543211289237| -1.41690724314928|-0.153825826253651|  -0.75106271556262|   0.16737196252175| 0.0501435942254188| -0.443586797916727| 0.00282051247234708|  -0.61198733994012|-0.0455750446637976|  -0.21963255278686|  -0.167716265815783| -0.270709726172363| -0.154103786809305| -0.780055415004671|   0.75013693580659| -0.257236845917139|  0.0345074297438413|0.00516776890624916|  4.99|    0|<br>| 7.0|-0.644269442348146|   1.41796354547385|   1.0743803763556| -0.492199018495015|  0.948934094764157|  0.428118462833089|    1.12063135838353|  -3.80786423873589| 0.615374730667027|   1.24937617815176|-0.619467796121913| 0.291474353088705|   1.75796421396042|  -1.32386521970526|  0.686132504394383|-0.0761269994382006|    -1.2221273453247| -0.358221569869078|  0.324504731321494| -0.156741852488285|    1.94346533978412|  -1.01545470979971|  0.057503529867291| -0.649709005559993| -0.415266566234811|-0.0516342969262494|   -1.20692108094258|  -1.08533918832377|  40.8|    0|<br>| 7.0| -0.89428608220282|  0.286157196276544|-0.113192212729871| -0.271526130088604|    2.6695986595986|   3.72181806112751|   0.370145127676916|  0.851084443200905|-0.392047586798604| -0.410430432848439|-0.705116586646536|-0.110452261733098| -0.286253632470583| 0.0743553603016731| -0.328783050303565| -0.210077268148783|  -0.499767968800267|  0.118764861004217|   0.57032816746536| 0.0527356691149697| -0.0734251001059225| -0.268091632235551| -0.204232669947878|    1.0115918018785|  0.373204680146282| -0.384157307702294|  0.0117473564581996|   0.14240432992147|  93.2|    0|<br>| 9.0| -0.33826175242575|   1.11959337641566|  1.04436655157316| -0.222187276738296|   0.49936080649727|  -0.24676110061991|   0.651583206489972| 0.0695385865186387|-0.736727316364109| -0.366845639206541|  1.01761446783262| 0.836389570307029|   1.00684351373408| -0.443522816876142|  0.150219101422635|  0.739452777052119|  -0.540979921943059|   0.47667726004282|  0.451772964394125|  0.203711454727929|  -0.246913936910008| -0.633752642406113|  -0.12079408408185| -0.385049925313426|-0.0697330460416923| 0.0941988339514961|   0.246219304619926| 0.0830756493473326|  3.68|    0|<br>|10.0|  1.44904378114715|  -1.17633882535966| 0.913859832832795|  -1.37566665499943|  -1.97138316545323|  -0.62915213889734|    -1.4232356010359| 0.0484558879088564| -1.72040839292037|   1.62665905834133|   1.1996439495421|-0.671439778462005| -0.513947152539479|-0.0950450453999549|  0.230930409124119| 0.0319674667862076|   0.253414715863197|  0.854343814324194| -0.221365413645481| -0.387226474431156|-0.00930189652490052|  0.313894410791098| 0.0277401580170247|  0.500512287104917|   0.25136735874921| -0.129477953726618|  0.0428498709381461| 0.0162532619375515|   7.8|    0|<br>|10.0|  0.38497821518095|  0.616109459176472|-0.874299702595052|-0.0940186259679115|   2.92458437838817|   3.31702716826156|   0.470454671805879|   0.53824722837695|-0.558894612428441|   0.30975539423728|-0.259115563735702|-0.326143233995877|-0.0900467227020648|  0.362832368569793|  0.928903660629178| -0.129486811402759|  -0.809978925963589|  0.359985390219981|   0.70766382644648|   0.12599157561542|   0.049923685888971|  0.238421512225103|0.00912986861262866|  0.996710209581086| -0.767314827174801| -0.492208295340017|   0.042472441919027|-0.0543373883732122|  9.99|    0|<br>|10.0|    1.249998742053|  -1.22163680921816| 0.383930151282291|  -1.23489868766892|  -1.48541947377961| -0.753230164566149|  -0.689404975426345| -0.227487227519552| -2.09401057344842|   1.32372927445937| 0.227666231237246|-0.242681998944186|   1.20541680770748| -0.317630527025074|  0.725674990179153| -0.815612186027305|   0.873936447614439| -0.847788598847099| -0.683192626267037| -0.102755941505071|  -0.231809239223849| -0.483285330117712| 0.0846676908596583|  0.392830885335013|  0.161134553588505| -0.354990039673962|  0.0264155490776107| 0.0424220887282304| 121.5|    0|<br>|11.0|   1.0693735878819|  0.287722129331455| 0.828612726634281|   2.71252042961718| -0.178398016248009|  0.337543730282968| -0.0967168617395962|  0.115981735546597|-0.221082566236194|  0.460230444301678|-0.773656930526689|  0.32338724546722|-0.0110758870883779| -0.178485175177916|  -0.65556427824926|  -0.19992517131173|     0.1240054151819| -0.980496201537345| -0.982916082135047| -0.153197231044512| -0.0368755317335273| 0.0744124028162195|-0.0714074332998586|  0.104743752596029|  0.548264725394119|  0.104094153162781|  0.0214910583643189|  0.021293311477486|  27.5|    0|<br>|12.0|  -2.7918547659339| -0.327770756658658|  1.64175016056605|   1.76747274389883| -0.136588446465306|   0.80759646826532|  -0.422911389711497|  -1.90710747624096| 0.755712908314791|    1.1510869876677| 0.844555470974377|   0.7929439518176|  0.370448092803246| -0.734975105820311|  0.406795710431001| -0.303057623825763|  -0.155868714793874|  0.778265457041536|   2.22186801373788|  -1.58212204356551|    1.15166304848789|  0.222181966098225|   1.02058620426601| 0.0283166513238872| -0.232746324289105|  -0.23555721754117|   -0.16477751177654|-0.0301536365592253|  58.8|    0|<br>|12.0|-0.752417042956605|  0.345485415344747|  2.05732291276727|  -1.46864329840046|   -1.1583936804082|-0.0778498291166733|  -0.608581418236123|0.00360348436201849|-0.436166983515744|  0.747730827192802|-0.793980602837221|-0.770406728847129|   1.04762699748088|  -1.06660368148653|   1.10695345662141|   1.66011355713381|  -0.279265373246772| -0.419994141181313|  0.432535348618175|  0.263450864446125|   0.499624954671111|   1.35365048557231| -0.256573280448308|-0.0650837078816517|-0.0391243535426488|-0.0870864732146962|  -0.180997500092721|  0.129394059390202| 15.99|    0|<br>|12.0|  1.10321543528383|-0.0402962145973447|   1.2673320885949|   1.28909146962552| -0.735997163604068|  0.288069162976262|  -0.586056786337461|  0.189379713679593| 0.782332891785191| -0.267975066537173|-0.450311279515466| 0.936707714991982|  0.708380406186981| -0.468647287707221|  0.354574063407955| -0.246634655717582|-0.00921237772707382| -0.595912405700819|  -0.57568162226261| -0.113910176982092| -0.0246120063374677|  0.196001952806192| 0.0138016541409422|  0.103758331023198|  0.364297540595235| -0.382260574113217|   0.092809187460487| 0.0370505169810008| 12.99|    0|<br>|13.0|-0.436905071360625|  0.918966212909322|  0.92459077438817| -0.727219053596792|  0.915678718106307| -0.127867352079254|   0.707641607333935| 0.0879623554672504| -0.66527135413364| -0.737979823596458|  0.32409781346169| 0.277192107214981|  0.252624256310781| -0.291896460370468| -0.184520169327133|   1.14317370716197|   -0.92870926272403|  0.680469592634687| 0.0254364616880793|-0.0470212823165035|  -0.194795823794671| -0.672637997017793| -0.156857514491897| -0.888386320943716| -0.342413218776576| -0.049026728633951|  0.0796923991551505|  0.131023789452311|  0.89|    0|<br>|14.0| -5.40125766315825|  -5.45014783420644|  1.18630463143652|   1.73623880012095|   3.04910587764025|  -1.76340557365201|   -1.55973769907953|  0.160841747266769|  1.23308974041888|  0.345172827050629| 0.917229867699146| 0.970116716069048| -0.266567764915222| -0.479129929276704| -0.526608502569153|   0.47200411177674|  -0.725480944982201|  0.075081351540202| -0.406866573198217|  -2.19684802485647|  -0.503600328973703|  0.984459785590244|   2.45858857639219| 0.0421188969891572| -0.481630823956716| -0.621272013713977|   0.392053289557744|  0.949594245504846|  46.8|    0|<br>|15.0|   1.4929359769862|  -1.02934573189487|  0.45479473374366|  -1.43802587991702|  -1.55543410136344| -0.720961147043557|   -1.08066413038614|-0.0531271179483221|  -1.9786815953872|   1.63807603690446|  1.07754241162743| -0.63204651464934|  -0.41695716661602| 0.0520105153724404|-0.0429789228232019| -0.166432496451972|   0.304241418614353|  0.554432499062278| 0.0542295152184719| -0.387910172646258|  -0.177649846438814| -0.175073809074822| 0.0400022190621329|  0.295813862676508|   0.33293059939425| -0.220384850672322|  0.0222984359135846|0.00760225559997897|   5.0|    0|<br>+----+------------------+-------------------+------------------+-------------------+-------------------+-------------------+--------------------+-------------------+------------------+-------------------+------------------+------------------+-------------------+-------------------+-------------------+-------------------+--------------------+-------------------+-------------------+-------------------+--------------------+-------------------+-------------------+-------------------+-------------------+-------------------+--------------------+-------------------+------+-----+<br>only showing top 20 rows<br><br>Accuracy: 0.9457721462211259<br>CPU times: user 226 ms, sys: 24.9 ms, total: 251 ms<br>Wall time: 42 s</pre><p><strong><em>cuDF &amp; cuML</em></strong></p><p>cuDF ve cuML, büyük veri setleri üzerinde GPU (Graphics Processing Unit) hızlandırılmış işlemler gerçekleştirmek amacıyla NVIDIA tarafından geliştirilmiş kütüphanelerdir. Bu kütüphaneler, veri bilimi ve makine öğrenimi alanında çalışan profesyonellerin, büyük ölçekli veri analizi ve model eğitimi süreçlerini hızlandırmak için güçlü araçlar sunar.</p><p><strong>cuDF:</strong> cuDF, GPU üzerinde DataFrame işlemleri yapabilen bir kütüphanedir. Pandas’a benzer bir API sunan cuDF, büyük veri setleri üzerinde GPU hızlandırmalı veri manipülasyonu ve analizi sağlar. Veri çerçevelerini GPU üzerinde oluşturarak, sorgulayarak ve manipüle ederek, veri bilimi projelerinde önemli ölçüde hız kazandırır.</p><p><strong>cuML:</strong> cuML, GPU hızlandırmalı makine öğrenimi algoritmalarını içeren bir kütüphanedir. Gelişmiş istatistiksel ve öğrenme modellerini eğitmek ve kullanmak için GPU gücünden faydalanır. cuML, büyük veri setleri üzerinde sınıflandırma, regresyon, kümeleme ve boyut azaltma gibi işlemleri hızlı bir şekilde gerçekleştirmek için özel olarak tasarlanmıştır. Bu, model eğitimi ve tahmin süreçlerini etkili bir şekilde optimize ederek, veri bilimcilerinin daha ölçeklenebilir ve yüksek performanslı çözümler oluşturmalarına olanak tanır.</p><p>Şimdi de aynı veri seti, aynı algoritma ve parametreler ile cuDF ve cuML kullanarak sınıflandırma işlemini yaptığımız kodlara bakalım.</p><p>Önce colab ortamında cuDf ve cuML kütüphanelerinin kurulumunu yapalım</p><pre>!git clone https://github.com/rapidsai/rapidsai-csp-utils.git<br>!python rapidsai-csp-utils/colab/pip-install.py</pre><p>cuDF’nin GPU hızlandırmalı Pandas işlevselliğini etkinleştirmek için aşağıdaki komutu kullanın.</p><pre>%load_ext cudf.pandas</pre><pre>%%time<br>import cudf<br>import numpy as np<br>import pandas as pd<br>from cuml.ensemble import RandomForestClassifier<br>from cuml.metrics import accuracy_score<br>from sklearn.model_selection import train_test_split<br><br># CSV dosyasını cuDF ile oku<br>df = cudf.read_csv(&#39;creditcard.csv&#39;)<br><br># Veri setinin ilk beş satırını ekrana yazdır<br>print(df.head())<br><br># Hedef değişkeni ve özellikleri ayır<br>X = df.drop(&#39;Class&#39;, axis=1)<br>y = df[&#39;Class&#39;]<br><br>data_type = np.float32<br><br># Özellikleri pandas DataFrame&#39;e dönüştür<br>X = pd.DataFrame(X.astype(data_type))<br>y = pd.Series(y.astype(np.int32))<br><br># Eğitim ve test setlerini oluştur<br>X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)<br><br># Eğitim verilerini cuDF DataFrame&#39;e dönüştür<br>X_cudf_train = cudf.DataFrame.from_pandas(X_train)<br>X_cudf_test = cudf.DataFrame.from_pandas(X_test)<br><br># Eğitim etiketlerini cuDF Serisi&#39;ne dönüştür<br>y_cudf_train = cudf.Series(y_train.values)<br><br># Random Forest sınıflandırıcı modelini oluştur<br>rf_model = RandomForestClassifier()<br><br># Modeli eğit<br>rf_model.fit(X_cudf_train, y_cudf_train)<br><br># Test seti üzerinde tahmin yap<br>y_pred = rf_model.predict(X_cudf_test)<br><br># Doğruluk skorunu hesapla<br>accuracy = accuracy_score(y_test, y_pred)<br>print(&quot;Accuracy:&quot;, accuracy)</pre><p><em>çıktı:</em></p><pre>  Time        V1        V2        V3        V4        V5        V6        V7  \<br>0   0.0 -1.359807 -0.072781  2.536347  1.378155 -0.338321  0.462388  0.239599   <br>1   0.0  1.191857  0.266151  0.166480  0.448154  0.060018 -0.082361 -0.078803   <br>2   1.0 -1.358354 -1.340163  1.773209  0.379780 -0.503198  1.800499  0.791461   <br>3   1.0 -0.966272 -0.185226  1.792993 -0.863291 -0.010309  1.247203  0.237609   <br>4   2.0 -1.158233  0.877737  1.548718  0.403034 -0.407193  0.095921  0.592941   <br><br>         V8        V9  ...       V21       V22       V23       V24       V25  \<br>0  0.098698  0.363787  ... -0.018307  0.277838 -0.110474  0.066928  0.128539   <br>1  0.085102 -0.255425  ... -0.225775 -0.638672  0.101288 -0.339846  0.167170   <br>2  0.247676 -1.514654  ...  0.247998  0.771679  0.909412 -0.689281 -0.327642   <br>3  0.377436 -1.387024  ... -0.108300  0.005274 -0.190321 -1.175575  0.647376   <br>4 -0.270533  0.817739  ... -0.009431  0.798278 -0.137458  0.141267 -0.206010   <br><br>        V26       V27       V28  Amount  Class  <br>0 -0.189115  0.133558 -0.021053  149.62      0  <br>1  0.125895 -0.008983  0.014724    2.69      0  <br>2 -0.139097 -0.055353 -0.059752  378.66      0  <br>3 -0.221929  0.062723  0.061458  123.50      0  <br>4  0.502292  0.219422  0.215153   69.99      0  <br><br>[5 rows x 31 columns]<br><br>Accuracy: 0.9995962381362915<br>CPU times: user 14.7 s, sys: 2.43 s, total: 14.1 s<br>Wall time: 14.7 s</pre><p>Haydi şimdi sonuçları karşılaştıralım ;)</p><p>PySpark ile gerçekleştirilen sınıflandırma modeli, %94.6 gibi oldukça yüksek bir doğruluk oranı elde etti. Ancak, eğitim süresi 42 saniyeyi buldu. Bu, geleneksel bir CPU tabanlı çözümün yüksek miktarda veri üzerinde çalışırken zaman açısından maliyetli olabileceğini gösteriyor.</p><p>Öte yandan, cuML kullanılarak GPU üzerinde gerçekleştirilen sınıflandırma modeli, inanılmaz bir doğruluk oranıyla %99.96 elde etti. Ayrıca, eğitim süresi oldukça kısa sürdü ve 14.7 saniye oldu. Bu, cuML’in GPU hızlandırmasının büyük veri setleri üzerindeki etkileyici performansını vurguluyor. GPU hızlandırması sayesinde, model eğitimi daha hızlı ve daha verimli bir şekilde gerçekleştirilebiliyor.</p><p>Bu sonuçlar, büyük veri setleri üzerinde sınıflandırma modelleri eğitirken GPU hızlandırmasının önemli avantajlar sunduğunu gösteriyor. CuML’in GPU gücünden yararlanarak, hem eğitim süresini kısaltmak hem de model doğruluğunu artırmak mümkün hale geliyor.</p><p><em>Bir sonraki yazılarda görüşmek dileğiyle esenlikle kalın :)</em></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=23745bac9506" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>