Java'da Karar Agaclari - Linear Regression

Surekli degiskenlerin ongorusu regrasyon yani egri uydurma olarak adlandirilan bir istatistiksel yontemle tespit edilebilir. Regrasyon analizinin amaclari degisik girdi degiskenlerini cikti degiskeni ile iliskilendirecek en iyi modelin cikarilmasidir. Bir Y degiskeninin diger bir veya daha cok X1, X2, ... Xn, gibi degiskenleri ile iliskisinin belirlenmesi surecidir. Y , yanit ciktisi veya bagimli degisken olarak adlandirilir. Xi degiskenleri girdi ve bagimsiz degiskenler olarak adlandirilacaktir. Bir veri kumesinde bulunan iliski bu model ile karakterize edilebilir. Regrasyon Model Denklemi ise ;

Kaynak Kodlar ;

DosyaGirisi.javaDosyaGirisi.java

import java.io.*; public class DosyaGirisi { private BufferedReader bin; public StreamTokenizer tokenizer = null; public DosyaGirisi(String DosyaAdi) throws Exception { bin = new BufferedReader(new FileReader(DosyaAdi)); tokenizer = new StreamTokenizer(bin); tokenizer.wordChars('_', '_'); tokenizer.slashStarComments(true); tokenizer.slashSlashComments (true); tokenizer.parseNumbers(); } public double DosyaOkuma() throws Exception { double deger = 0; if (tokenizer == null) throw new Exception("Dosya okunmak icin acilmis degil..."); if (tokenizer.nextToken()  == StreamTokenizer.TT_EOF) throw new Exception("Dosya sonuna ulasildi..."); switch(tokenizer.ttype) { case StreamTokenizer.TT_NUMBER: deger = tokenizer.nval; break; case StreamTokenizer.TT_EOL: case StreamTokenizer.TT_WORD: default: throw new Exception( "Dosya icerisinde yanlis veri turu bulundu... Numarasi bekleniyior..." ); } return deger; } public void DosyaKapama() throws Exception { bin.close(); bin = null; tokenizer = null; } }

Regression.javaRegression.java

public class Regression { public static boolean DogrusalEsZamanliDenklemCozumu(double []A, double []Y, double []X) { int i,j,k; double toplam, fact; int n = Y.length; for (i=0; i< n; i++) { for (j=i+1; j< n; j++) { if ( A

== 0) continue; fact = A

/ A

; for (k=i+1; k< n; k++) A

= A

*fact - A

; Y

= Y

*fact - Y

; } } for (i=n-1; i>=0; i--) { if (A

== 0) return false; toplam = Y

; for (k=i+1; k< n; k++) toplam = toplam - A

*X

; X

= toplam/A

; } return true; } static void MatrisHali(int n, int m, int p, double []A, double []B, double []C) { int i, j, k; for (i=0; i< n; i++) { for (j=0; j< p; j++) { C

= 0; for (k=0; k< m; k++) C

+= A

*B

; } } return; } static void  MatrisinTranspozeHali(int m, int n, double []A, double []B) { int i, j; for (i=0; i< n; i++) for (j=0; j< m; j++) B

= A

; return ; } static double Ortalama(int n, double []x) { int i; double toplam; toplam = 0; if (n == 0) return 0; for (i=0; i< n; i++) toplam += x

; return toplam/n; } public static boolean linearRegression(int m, int n, double []X, double []Y,double []A, double []kolerasyon) { double []XTX; double []XTY; double []XT; int i, j; double ybar, ycap, sumr, sumt; boolean stat; if (m < 1 || n < 1) return false; XT  = new double

; XTX =  new double

; XTY =  new double

; MatrisinTranspozeHali(m,n,X,XT); MatrisHali(n,m,n, XT, X,XTX); MatrisHali(n,m,1, XT, Y,XTY); stat = DogrusalEsZamanliDenklemCozumu(XTX, XTY, A); if (!stat) return false; { ybar = Ortalama(n, Y); sumr = 0; sumt = 0; for (i=0; i< m; i++) { ycap = 0; for (j=0; j< n; j++) ycap += A

*X

; sumr += (ycap - ybar)*(ycap - ybar); sumt += (Y

- ybar)*(Y

- ybar); /* printf("\t%8.2f\t%8.2f\n", ycap, Y

); */ } if (sumt == 0) kolerasyon<0>

=0; else kolerasyon<0>

= sumr/sumt; } return true; } }

TestRegression.JavaTestRegression.Java

public class TestRegression { int veri; int degiskenler; public double []X; public double []Y; public double []A; public int VeriOkuma(String DosyaAdi)  throws Exception { DosyaGirisi input = new DosyaGirisi(DosyaAdi); int nn = (int)input.DosyaOkuma(); if (nn <= 0) { System.err.println(" Ilk veri dosyası sayısı değişkenlerinin sayı olmalıdır "); return -1; } degiskenler = nn; int mm = (int)input.DosyaOkuma(); if (mm < nn) { System.err.println(" ikinci veri dosyası sayısı, veri noktalarının sayısı olmalıdır. Veri numarası olmalıdır> = değişkenlerin sayısı "); return -1; } veri = mm; X = new double

; Y = new double

; A = new double

; for (int i=0; i< mm; i++) {                 // Aşağıdaki döngü bir veri satırı okur for (int j=0; j< nn; j++) { X

= input.DosyaOkuma(); } Y

= input.DosyaOkuma(); } input.DosyaKapama(); return nn; } public void testRegression(String DosyaAdi)  throws Exception { int durum = VeriOkuma(DosyaAdi); if (durum <= 0) return; MatrisYazdir(  "X matrix verileri ; ", veri, degiskenler, X); MatrisYazdir(  "Y matrix verileri ; ", veri, 1, Y); double []kolerasyon = new double<1>

; long BaslangicZamani = System.currentTimeMillis(); boolean sonuc = Regression.linearRegression(veri, degiskenler, X, Y, A, kolerasyon); if (sonuc == false) { System.out.println(" Verilen veri kümesi regresyon ile çözülemez. "); return; } long BitisZamani = System.currentTimeMillis(); long ToplamZaman = (BitisZamani-BaslangicZamani)/1000; System.out.println( ToplamZaman + " saniye surdu..."); System.out.println("çözüm = \n"); for (int i=0; i< A.length; i++) { System.out.println("\t" + A

); } System.out.println("korelasyon sonucu =" + kolerasyon<0>

); } static void MatrisYazdir(String isim, int m, int n, double []A) { int i,j; System.out.println(isim); for (i=0; i< m; i++) { for (j=0; j< n; j++) { System.out.print( "\t" +  A

); } System.out.println(""); } System.out.println(""); } public static void main(String []args)  throws Exception { int num = args.length; if (num != 1) { System.out.println("Komut satırından veri dosyası adını belirtmeniz gerekir..." ); return; } TestRegression cozucu = new TestRegression(); cozucu.testRegression(args<0>

); } }

LineerRegressionTest.JavaLineerRegressionTest.Java

public class LineerRegressionTest { public static void main(String []args)  throws Exception { TestRegression.main(new String[]{"c:/nano.txt"}); // dosyanin ismini bu main ile calistiriyoruz... } }

Nano.Txt ' de ki ornek veriler ;Nano.Txt ' de ki ornek veriler ;

Ekran Ciktisi ;Ekran Ciktisi ;