├── app.py ├── assets └── readme-img.png ├── dataset └── data.csv ├── img ├── data.png └── le_ohe.png ├── model.ipynb ├── model.pkl ├── readme.MD └── templates └── index.html /app.py: -------------------------------------------------------------------------------- 1 | from flask import Flask 2 | from flask import render_template 3 | from flask import request 4 | import numpy as np 5 | import pickle 6 | 7 | app = Flask(__name__) 8 | 9 | def setMethodValues(value): 10 | if value == 'sync': 11 | return 1, 0, 0 12 | elif value == 'async': 13 | return 0, 1, 0 14 | else: 15 | return 0, 0, 1 16 | 17 | def setMechanimsValues(value): 18 | if value == 'theoric': 19 | return 1 20 | else: 21 | return 0 22 | 23 | def setExamInteractionContact(value): 24 | if value == 'yes': 25 | return 1 26 | else: 27 | return 0 28 | 29 | @app.route('/') 30 | def index(): 31 | return render_template('index.html') 32 | 33 | @app.route('/predict', methods=['POST']) 34 | def predict(): 35 | methodSync, methodAsync, methodBoth = setMethodValues(request.form.get('method')) 36 | mechanism = setMechanimsValues(request.form.get('mechanism')) 37 | exam = setExamInteractionContact(request.form.get('exam')) 38 | interaction = setExamInteractionContact(request.form.get('interaction')) 39 | contact = setExamInteractionContact(request.form.get('contact')) 40 | 41 | resultValues = np.array([[methodSync, methodAsync, methodBoth, mechanism, exam, interaction, contact]]) 42 | model = pickle.load(open('model.pkl', 'rb')) 43 | predictionValue = model.predict(resultValues) 44 | 45 | return render_template('index.html', prediction_text=predictionValue) 46 | 47 | if __name__ == 'main': 48 | app.run(debug=True) 49 | -------------------------------------------------------------------------------- /assets/readme-img.png: -------------------------------------------------------------------------------- https://raw.githubusercontent.com/selmanbaskaya/Machine-Learning-and-Web-Development/a60615e8097550561831a01ac06eec610c1fa9a5/assets/readme-img.png -------------------------------------------------------------------------------- /img/data.png: -------------------------------------------------------------------------------- https://raw.githubusercontent.com/selmanbaskaya/Machine-Learning-and-Web-Development/a60615e8097550561831a01ac06eec610c1fa9a5/img/data.png -------------------------------------------------------------------------------- /img/le_ohe.png: -------------------------------------------------------------------------------- https://raw.githubusercontent.com/selmanbaskaya/Machine-Learning-and-Web-Development/a60615e8097550561831a01ac06eec610c1fa9a5/img/le_ohe.png -------------------------------------------------------------------------------- /model.ipynb: -------------------------------------------------------------------------------- 1 | { 2 | "cells": [ 3 | { 4 | "cell_type": "code", 5 | "execution_count": 8, 6 | "metadata": {}, 7 | "outputs": [ 8 | { 9 | "data": { 10 | "text/html": [ 11 | "" 12 | ], 13 | "text/plain": [ 14 | "" 15 | ] 16 | }, 17 | "metadata": {}, 18 | "output_type": "display_data" 19 | }, 20 | { 21 | "name": "stdout", 22 | "output_type": "stream", 23 | "text": [ 24 | "Hello world!\n" 25 | ] 26 | } 27 | ], 28 | "source": [ 29 | "print(\"Hello world!\")" 30 | ] 31 | }, 32 | { 33 | "cell_type": "code", 34 | "execution_count": 5, 35 | "metadata": {}, 36 | "outputs": [], 37 | "source": [ 38 | "import pandas as pd\n", 39 | "from sklearn.preprocessing import LabelEncoder, OneHotEncoder\n", 40 | "from sklearn.model_selection import train_test_split\n", 41 | "from sklearn.linear_model import LinearRegression\n", 42 | "import statsmodels.api as sm\n", 43 | "import numpy as np\n", 44 | "import pickle" 45 | ] 46 | }, 47 | { 48 | "cell_type": "code", 49 | "execution_count": 6, 50 | "metadata": {}, 51 | "outputs": [ 52 | { 53 | "data": { 54 | "text/html": [ 55 | "
\n", 56 | "\n", 69 | "\n", 70 | " \n", 71 | " \n", 72 | " \n", 73 | " \n", 74 | " \n", 75 | " \n", 76 | " \n", 77 | " \n", 78 | " \n", 79 | " \n", 80 | " \n", 81 | " \n", 82 | " \n", 83 | " \n", 84 | " \n", 85 | " \n", 86 | " \n", 87 | " \n", 88 | " \n", 89 | " \n", 90 | " \n", 91 | " \n", 92 | " \n", 93 | " \n", 94 | " \n", 95 | " \n", 96 | " \n", 97 | " \n", 98 | " \n", 99 | " \n", 100 | " \n", 101 | " \n", 102 | " \n", 103 | " \n", 104 | " \n", 105 | " \n", 106 | " \n", 107 | " \n", 108 | " \n", 109 | " \n", 110 | " \n", 111 | " \n", 112 | " \n", 113 | " \n", 114 | " \n", 115 | " \n", 116 | " \n", 117 | " \n", 118 | " \n", 119 | " \n", 120 | " \n", 121 | " \n", 122 | " \n", 123 | " \n", 124 | " \n", 125 | " \n", 126 | " \n", 127 | " \n", 128 | " \n", 129 | " \n", 130 | " \n", 131 | " \n", 132 | " \n", 133 | " \n", 134 | " \n", 135 | " \n", 136 | " \n", 137 | " \n", 138 | " \n", 139 | " \n", 140 | " \n", 141 | " \n", 142 | " \n", 143 | " \n", 144 | " \n", 145 | " \n", 146 | "
Zaman damgasıHangi üniversitede okuyorsun?Hangi bölümde okuyorsun?Derslerinin işlenme yöntemi aşağıdakilerden hangisi?Derslerinin işleyişi aşağıdakilerden hangisi ile yapılıyor?Derslerinin not değerlendirilmesinde vize ve final sınavlarına ek olarak farklı metotlar uygulanıyor mu?Derslerin öğrenci etkileşimli mi işleniyor?Bir sorun ile karşılaştığında öğretim üyeleri veya gerekli birimlere ulaşmak pandemi öncesine göre nasıl bir hal aldı?Yukarıda vermiş olduğun cevaplara göre uzaktan eğitim sürecinin verimlilik puanı senin için kaç olurdu?
017.10.2020 19:45:58Düzce üniversitesiBilgisayar MühendisliğiTüm derslerim senkron modeli ile işleniyorTeorik + UygulamaEvet, sınavlara ek olarak ödev/proje gibi ver...Evet, öğrenci etkileşimliSorunlarımı çözüme kavuşturmak için daha çok u...3
117.10.2020 19:56:59Düzce üniversitesiEndüstri MühendisliğiTüm derslerim senkron modeli ile işleniyorTeorikHayır, vize ve final sınavlarından ayrı ek bir...Hayır, öğrenci etkileşimli değilSorunlarımı çözüme kavuşturmak için daha çok u...1
217.10.2020 19:57:16Düzce üniversitesiEndüstri MühendisliğiTüm derslerim senkron modeli ile işleniyorTeorikEvet, sınavlara ek olarak ödev/proje gibi ver...Hayır, öğrenci etkileşimli değilSorunlarımı çözüme kavuşturmak için daha çok u...2
317.10.2020 19:57:27Düzce üniversitesiEndüstri MühendisliğiBazı derslerim senkron bazı derslerim de asenk...Teorik + UygulamaEvet, sınavlara ek olarak ödev/proje gibi ver...Evet, öğrenci etkileşimliSorunlarımı çözüme kavuşturmak çok daha kısa s...4
417.10.2020 19:58:05Düzce üniversitesiBilgisayar MühendisliğiTüm derslerim asenkron modeli ile işleniyorTeorikHayır, vize ve final sınavlarından ayrı ek bir...Evet, öğrenci etkileşimliSorunlarımı çözüme kavuşturmak çok daha kısa s...2
\n", 147 | "
" 148 | ], 149 | "text/plain": [ 150 | " Zaman damgası Hangi üniversitede okuyorsun? Hangi bölümde okuyorsun? \\\n", 151 | "0 17.10.2020 19:45:58 Düzce üniversitesi Bilgisayar Mühendisliği \n", 152 | "1 17.10.2020 19:56:59 Düzce üniversitesi Endüstri Mühendisliği \n", 153 | "2 17.10.2020 19:57:16 Düzce üniversitesi Endüstri Mühendisliği \n", 154 | "3 17.10.2020 19:57:27 Düzce üniversitesi Endüstri Mühendisliği \n", 155 | "4 17.10.2020 19:58:05 Düzce üniversitesi Bilgisayar Mühendisliği \n", 156 | "\n", 157 | " Derslerinin işlenme yöntemi aşağıdakilerden hangisi? \\\n", 158 | "0 Tüm derslerim senkron modeli ile işleniyor \n", 159 | "1 Tüm derslerim senkron modeli ile işleniyor \n", 160 | "2 Tüm derslerim senkron modeli ile işleniyor \n", 161 | "3 Bazı derslerim senkron bazı derslerim de asenk... \n", 162 | "4 Tüm derslerim asenkron modeli ile işleniyor \n", 163 | "\n", 164 | " Derslerinin işleyişi aşağıdakilerden hangisi ile yapılıyor? \\\n", 165 | "0 Teorik + Uygulama \n", 166 | "1 Teorik \n", 167 | "2 Teorik \n", 168 | "3 Teorik + Uygulama \n", 169 | "4 Teorik \n", 170 | "\n", 171 | " Derslerinin not değerlendirilmesinde vize ve final sınavlarına ek olarak farklı metotlar uygulanıyor mu? \\\n", 172 | "0 Evet, sınavlara ek olarak ödev/proje gibi ver... \n", 173 | "1 Hayır, vize ve final sınavlarından ayrı ek bir... \n", 174 | "2 Evet, sınavlara ek olarak ödev/proje gibi ver... \n", 175 | "3 Evet, sınavlara ek olarak ödev/proje gibi ver... \n", 176 | "4 Hayır, vize ve final sınavlarından ayrı ek bir... \n", 177 | "\n", 178 | " Derslerin öğrenci etkileşimli mi işleniyor? \\\n", 179 | "0 Evet, öğrenci etkileşimli \n", 180 | "1 Hayır, öğrenci etkileşimli değil \n", 181 | "2 Hayır, öğrenci etkileşimli değil \n", 182 | "3 Evet, öğrenci etkileşimli \n", 183 | "4 Evet, öğrenci etkileşimli \n", 184 | "\n", 185 | " Bir sorun ile karşılaştığında öğretim üyeleri veya gerekli birimlere ulaşmak pandemi öncesine göre nasıl bir hal aldı? \\\n", 186 | "0 Sorunlarımı çözüme kavuşturmak için daha çok u... \n", 187 | "1 Sorunlarımı çözüme kavuşturmak için daha çok u... \n", 188 | "2 Sorunlarımı çözüme kavuşturmak için daha çok u... \n", 189 | "3 Sorunlarımı çözüme kavuşturmak çok daha kısa s... \n", 190 | "4 Sorunlarımı çözüme kavuşturmak çok daha kısa s... \n", 191 | "\n", 192 | " Yukarıda vermiş olduğun cevaplara göre uzaktan eğitim sürecinin verimlilik puanı senin için kaç olurdu? \n", 193 | "0 3 \n", 194 | "1 1 \n", 195 | "2 2 \n", 196 | "3 4 \n", 197 | "4 2 " 198 | ] 199 | }, 200 | "execution_count": 6, 201 | "metadata": {}, 202 | "output_type": "execute_result" 203 | } 204 | ], 205 | "source": [ 206 | "data = pd.read_csv(\"dataset/data.csv\")\n", 207 | "data.head(5)" 208 | ] 209 | }, 210 | { 211 | "cell_type": "code", 212 | "execution_count": 7, 213 | "metadata": {}, 214 | "outputs": [ 215 | { 216 | "name": "stdout", 217 | "output_type": "stream", 218 | "text": [ 219 | "\n", 220 | "RangeIndex: 969 entries, 0 to 968\n", 221 | "Data columns (total 9 columns):\n", 222 | " # Column Non-Null Count Dtype \n", 223 | "--- ------ -------------- ----- \n", 224 | " 0 Zaman damgası 969 non-null object\n", 225 | " 1 Hangi üniversitede okuyorsun? 969 non-null object\n", 226 | " 2 Hangi bölümde okuyorsun? 969 non-null object\n", 227 | " 3 Derslerinin işlenme yöntemi aşağıdakilerden hangisi? 969 non-null object\n", 228 | " 4 Derslerinin işleyişi aşağıdakilerden hangisi ile yapılıyor? 969 non-null object\n", 229 | " 5 Derslerinin not değerlendirilmesinde vize ve final sınavlarına ek olarak farklı metotlar uygulanıyor mu? 969 non-null object\n", 230 | " 6 Derslerin öğrenci etkileşimli mi işleniyor? 969 non-null object\n", 231 | " 7 Bir sorun ile karşılaştığında öğretim üyeleri veya gerekli birimlere ulaşmak pandemi öncesine göre nasıl bir hal aldı? 969 non-null object\n", 232 | " 8 Yukarıda vermiş olduğun cevaplara göre uzaktan eğitim sürecinin verimlilik puanı senin için kaç olurdu? 969 non-null int64 \n", 233 | "dtypes: int64(1), object(8)\n", 234 | "memory usage: 68.3+ KB\n" 235 | ] 236 | } 237 | ], 238 | "source": [ 239 | "data.info()" 240 | ] 241 | }, 242 | { 243 | "cell_type": "code", 244 | "execution_count": 8, 245 | "metadata": {}, 246 | "outputs": [ 247 | { 248 | "data": { 249 | "text/html": [ 250 | "
\n", 251 | "\n", 264 | "\n", 265 | " \n", 266 | " \n", 267 | " \n", 268 | " \n", 269 | " \n", 270 | " \n", 271 | " \n", 272 | " \n", 273 | " \n", 274 | " \n", 275 | " \n", 276 | " \n", 277 | " \n", 278 | " \n", 279 | " \n", 280 | " \n", 281 | " \n", 282 | " \n", 283 | " \n", 284 | " \n", 285 | " \n", 286 | " \n", 287 | " \n", 288 | " \n", 289 | " \n", 290 | " \n", 291 | " \n", 292 | " \n", 293 | " \n", 294 | " \n", 295 | " \n", 296 | " \n", 297 | " \n", 298 | " \n", 299 | " \n", 300 | " \n", 301 | " \n", 302 | " \n", 303 | " \n", 304 | " \n", 305 | " \n", 306 | " \n", 307 | " \n", 308 | " \n", 309 | " \n", 310 | " \n", 311 | " \n", 312 | " \n", 313 | " \n", 314 | " \n", 315 | " \n", 316 | " \n", 317 | " \n", 318 | " \n", 319 | " \n", 320 | " \n", 321 | " \n", 322 | " \n", 323 | "
Derslerinin işlenme yöntemi aşağıdakilerden hangisi?Derslerinin işleyişi aşağıdakilerden hangisi ile yapılıyor?Derslerinin not değerlendirilmesinde vize ve final sınavlarına ek olarak farklı metotlar uygulanıyor mu?Derslerin öğrenci etkileşimli mi işleniyor?Bir sorun ile karşılaştığında öğretim üyeleri veya gerekli birimlere ulaşmak pandemi öncesine göre nasıl bir hal aldı?Yukarıda vermiş olduğun cevaplara göre uzaktan eğitim sürecinin verimlilik puanı senin için kaç olurdu?
0Tüm derslerim senkron modeli ile işleniyorTeorik + UygulamaEvet, sınavlara ek olarak ödev/proje gibi ver...Evet, öğrenci etkileşimliSorunlarımı çözüme kavuşturmak için daha çok u...3
1Tüm derslerim senkron modeli ile işleniyorTeorikHayır, vize ve final sınavlarından ayrı ek bir...Hayır, öğrenci etkileşimli değilSorunlarımı çözüme kavuşturmak için daha çok u...1
2Tüm derslerim senkron modeli ile işleniyorTeorikEvet, sınavlara ek olarak ödev/proje gibi ver...Hayır, öğrenci etkileşimli değilSorunlarımı çözüme kavuşturmak için daha çok u...2
3Bazı derslerim senkron bazı derslerim de asenk...Teorik + UygulamaEvet, sınavlara ek olarak ödev/proje gibi ver...Evet, öğrenci etkileşimliSorunlarımı çözüme kavuşturmak çok daha kısa s...4
4Tüm derslerim asenkron modeli ile işleniyorTeorikHayır, vize ve final sınavlarından ayrı ek bir...Evet, öğrenci etkileşimliSorunlarımı çözüme kavuşturmak çok daha kısa s...2
\n", 324 | "
" 325 | ], 326 | "text/plain": [ 327 | " Derslerinin işlenme yöntemi aşağıdakilerden hangisi? \\\n", 328 | "0 Tüm derslerim senkron modeli ile işleniyor \n", 329 | "1 Tüm derslerim senkron modeli ile işleniyor \n", 330 | "2 Tüm derslerim senkron modeli ile işleniyor \n", 331 | "3 Bazı derslerim senkron bazı derslerim de asenk... \n", 332 | "4 Tüm derslerim asenkron modeli ile işleniyor \n", 333 | "\n", 334 | " Derslerinin işleyişi aşağıdakilerden hangisi ile yapılıyor? \\\n", 335 | "0 Teorik + Uygulama \n", 336 | "1 Teorik \n", 337 | "2 Teorik \n", 338 | "3 Teorik + Uygulama \n", 339 | "4 Teorik \n", 340 | "\n", 341 | " Derslerinin not değerlendirilmesinde vize ve final sınavlarına ek olarak farklı metotlar uygulanıyor mu? \\\n", 342 | "0 Evet, sınavlara ek olarak ödev/proje gibi ver... \n", 343 | "1 Hayır, vize ve final sınavlarından ayrı ek bir... \n", 344 | "2 Evet, sınavlara ek olarak ödev/proje gibi ver... \n", 345 | "3 Evet, sınavlara ek olarak ödev/proje gibi ver... \n", 346 | "4 Hayır, vize ve final sınavlarından ayrı ek bir... \n", 347 | "\n", 348 | " Derslerin öğrenci etkileşimli mi işleniyor? \\\n", 349 | "0 Evet, öğrenci etkileşimli \n", 350 | "1 Hayır, öğrenci etkileşimli değil \n", 351 | "2 Hayır, öğrenci etkileşimli değil \n", 352 | "3 Evet, öğrenci etkileşimli \n", 353 | "4 Evet, öğrenci etkileşimli \n", 354 | "\n", 355 | " Bir sorun ile karşılaştığında öğretim üyeleri veya gerekli birimlere ulaşmak pandemi öncesine göre nasıl bir hal aldı? \\\n", 356 | "0 Sorunlarımı çözüme kavuşturmak için daha çok u... \n", 357 | "1 Sorunlarımı çözüme kavuşturmak için daha çok u... \n", 358 | "2 Sorunlarımı çözüme kavuşturmak için daha çok u... \n", 359 | "3 Sorunlarımı çözüme kavuşturmak çok daha kısa s... \n", 360 | "4 Sorunlarımı çözüme kavuşturmak çok daha kısa s... \n", 361 | "\n", 362 | " Yukarıda vermiş olduğun cevaplara göre uzaktan eğitim sürecinin verimlilik puanı senin için kaç olurdu? \n", 363 | "0 3 \n", 364 | "1 1 \n", 365 | "2 2 \n", 366 | "3 4 \n", 367 | "4 2 " 368 | ] 369 | }, 370 | "execution_count": 8, 371 | "metadata": {}, 372 | "output_type": "execute_result" 373 | } 374 | ], 375 | "source": [ 376 | "temp = data.iloc[:, 3:]\n", 377 | "temp.head()" 378 | ] 379 | }, 380 | { 381 | "cell_type": "code", 382 | "execution_count": 9, 383 | "metadata": {}, 384 | "outputs": [ 385 | { 386 | "data": { 387 | "text/plain": [ 388 | "Index(['Zaman damgası', 'Hangi üniversitede okuyorsun?',\n", 389 | " 'Hangi bölümde okuyorsun?',\n", 390 | " 'Derslerinin işlenme yöntemi aşağıdakilerden hangisi?',\n", 391 | " 'Derslerinin işleyişi aşağıdakilerden hangisi ile yapılıyor?',\n", 392 | " 'Derslerinin not değerlendirilmesinde vize ve final sınavlarına ek olarak farklı metotlar uygulanıyor mu?',\n", 393 | " 'Derslerin öğrenci etkileşimli mi işleniyor?',\n", 394 | " 'Bir sorun ile karşılaştığında öğretim üyeleri veya gerekli birimlere ulaşmak pandemi öncesine göre nasıl bir hal aldı?',\n", 395 | " 'Yukarıda vermiş olduğun cevaplara göre uzaktan eğitim sürecinin verimlilik puanı senin için kaç olurdu?'],\n", 396 | " dtype='object')" 397 | ] 398 | }, 399 | "execution_count": 9, 400 | "metadata": {}, 401 | "output_type": "execute_result" 402 | } 403 | ], 404 | "source": [ 405 | "data.columns" 406 | ] 407 | }, 408 | { 409 | "cell_type": "code", 410 | "execution_count": 10, 411 | "metadata": {}, 412 | "outputs": [ 413 | { 414 | "data": { 415 | "text/html": [ 416 | "
\n", 417 | "\n", 430 | "\n", 431 | " \n", 432 | " \n", 433 | " \n", 434 | " \n", 435 | " \n", 436 | " \n", 437 | " \n", 438 | " \n", 439 | " \n", 440 | " \n", 441 | " \n", 442 | " \n", 443 | " \n", 444 | " \n", 445 | " \n", 446 | " \n", 447 | " \n", 448 | " \n", 449 | " \n", 450 | " \n", 451 | " \n", 452 | " \n", 453 | " \n", 454 | " \n", 455 | " \n", 456 | " \n", 457 | " \n", 458 | " \n", 459 | " \n", 460 | " \n", 461 | " \n", 462 | " \n", 463 | " \n", 464 | " \n", 465 | " \n", 466 | " \n", 467 | " \n", 468 | " \n", 469 | " \n", 470 | " \n", 471 | " \n", 472 | " \n", 473 | " \n", 474 | " \n", 475 | " \n", 476 | " \n", 477 | " \n", 478 | " \n", 479 | " \n", 480 | " \n", 481 | " \n", 482 | " \n", 483 | " \n", 484 | " \n", 485 | " \n", 486 | " \n", 487 | " \n", 488 | " \n", 489 | "
Derslerinin işlenme yöntemi aşağıdakilerden hangisi?Derslerinin işleyişi aşağıdakilerden hangisi ile yapılıyor?Derslerinin not değerlendirilmesinde vize ve final sınavlarına ek olarak farklı metotlar uygulanıyor mu?Derslerin öğrenci etkileşimli mi işleniyor?Bir sorun ile karşılaştığında öğretim üyeleri veya gerekli birimlere ulaşmak pandemi öncesine göre nasıl bir hal aldı?Yukarıda vermiş olduğun cevaplara göre uzaktan eğitim sürecinin verimlilik puanı senin için kaç olurdu?
0Tüm derslerim senkron modeli ile işleniyorTeorik + UygulamaEvet, sınavlara ek olarak ödev/proje gibi ver...Evet, öğrenci etkileşimliSorunlarımı çözüme kavuşturmak için daha çok u...3
1Tüm derslerim senkron modeli ile işleniyorTeorikHayır, vize ve final sınavlarından ayrı ek bir...Hayır, öğrenci etkileşimli değilSorunlarımı çözüme kavuşturmak için daha çok u...1
2Tüm derslerim senkron modeli ile işleniyorTeorikEvet, sınavlara ek olarak ödev/proje gibi ver...Hayır, öğrenci etkileşimli değilSorunlarımı çözüme kavuşturmak için daha çok u...2
3Bazı derslerim senkron bazı derslerim de asenk...Teorik + UygulamaEvet, sınavlara ek olarak ödev/proje gibi ver...Evet, öğrenci etkileşimliSorunlarımı çözüme kavuşturmak çok daha kısa s...4
4Tüm derslerim asenkron modeli ile işleniyorTeorikHayır, vize ve final sınavlarından ayrı ek bir...Evet, öğrenci etkileşimliSorunlarımı çözüme kavuşturmak çok daha kısa s...2
\n", 490 | "
" 491 | ], 492 | "text/plain": [ 493 | " Derslerinin işlenme yöntemi aşağıdakilerden hangisi? \\\n", 494 | "0 Tüm derslerim senkron modeli ile işleniyor \n", 495 | "1 Tüm derslerim senkron modeli ile işleniyor \n", 496 | "2 Tüm derslerim senkron modeli ile işleniyor \n", 497 | "3 Bazı derslerim senkron bazı derslerim de asenk... \n", 498 | "4 Tüm derslerim asenkron modeli ile işleniyor \n", 499 | "\n", 500 | " Derslerinin işleyişi aşağıdakilerden hangisi ile yapılıyor? \\\n", 501 | "0 Teorik + Uygulama \n", 502 | "1 Teorik \n", 503 | "2 Teorik \n", 504 | "3 Teorik + Uygulama \n", 505 | "4 Teorik \n", 506 | "\n", 507 | " Derslerinin not değerlendirilmesinde vize ve final sınavlarına ek olarak farklı metotlar uygulanıyor mu? \\\n", 508 | "0 Evet, sınavlara ek olarak ödev/proje gibi ver... \n", 509 | "1 Hayır, vize ve final sınavlarından ayrı ek bir... \n", 510 | "2 Evet, sınavlara ek olarak ödev/proje gibi ver... \n", 511 | "3 Evet, sınavlara ek olarak ödev/proje gibi ver... \n", 512 | "4 Hayır, vize ve final sınavlarından ayrı ek bir... \n", 513 | "\n", 514 | " Derslerin öğrenci etkileşimli mi işleniyor? \\\n", 515 | "0 Evet, öğrenci etkileşimli \n", 516 | "1 Hayır, öğrenci etkileşimli değil \n", 517 | "2 Hayır, öğrenci etkileşimli değil \n", 518 | "3 Evet, öğrenci etkileşimli \n", 519 | "4 Evet, öğrenci etkileşimli \n", 520 | "\n", 521 | " Bir sorun ile karşılaştığında öğretim üyeleri veya gerekli birimlere ulaşmak pandemi öncesine göre nasıl bir hal aldı? \\\n", 522 | "0 Sorunlarımı çözüme kavuşturmak için daha çok u... \n", 523 | "1 Sorunlarımı çözüme kavuşturmak için daha çok u... \n", 524 | "2 Sorunlarımı çözüme kavuşturmak için daha çok u... \n", 525 | "3 Sorunlarımı çözüme kavuşturmak çok daha kısa s... \n", 526 | "4 Sorunlarımı çözüme kavuşturmak çok daha kısa s... \n", 527 | "\n", 528 | " Yukarıda vermiş olduğun cevaplara göre uzaktan eğitim sürecinin verimlilik puanı senin için kaç olurdu? \n", 529 | "0 3 \n", 530 | "1 1 \n", 531 | "2 2 \n", 532 | "3 4 \n", 533 | "4 2 " 534 | ] 535 | }, 536 | "execution_count": 10, 537 | "metadata": {}, 538 | "output_type": "execute_result" 539 | } 540 | ], 541 | "source": [ 542 | "data.drop(data.columns[0:3], axis=1, inplace=True)\n", 543 | "data.head()" 544 | ] 545 | }, 546 | { 547 | "cell_type": "code", 548 | "execution_count": 11, 549 | "metadata": {}, 550 | "outputs": [ 551 | { 552 | "data": { 553 | "text/plain": [ 554 | "Index(['Derslerinin işlenme yöntemi aşağıdakilerden hangisi?',\n", 555 | " 'Derslerinin işleyişi aşağıdakilerden hangisi ile yapılıyor?',\n", 556 | " 'Derslerinin not değerlendirilmesinde vize ve final sınavlarına ek olarak farklı metotlar uygulanıyor mu?',\n", 557 | " 'Derslerin öğrenci etkileşimli mi işleniyor?',\n", 558 | " 'Bir sorun ile karşılaştığında öğretim üyeleri veya gerekli birimlere ulaşmak pandemi öncesine göre nasıl bir hal aldı?',\n", 559 | " 'Yukarıda vermiş olduğun cevaplara göre uzaktan eğitim sürecinin verimlilik puanı senin için kaç olurdu?'],\n", 560 | " dtype='object')" 561 | ] 562 | }, 563 | "execution_count": 11, 564 | "metadata": {}, 565 | "output_type": "execute_result" 566 | } 567 | ], 568 | "source": [ 569 | "data.columns" 570 | ] 571 | }, 572 | { 573 | "cell_type": "code", 574 | "execution_count": 12, 575 | "metadata": {}, 576 | "outputs": [ 577 | { 578 | "data": { 579 | "text/plain": [ 580 | "['Method', 'Mechanism', 'Exam', 'Interaction', 'Contact', 'Efficiency']" 581 | ] 582 | }, 583 | "execution_count": 12, 584 | "metadata": {}, 585 | "output_type": "execute_result" 586 | } 587 | ], 588 | "source": [ 589 | "newColumns = [\"Method\", \"Mechanism\", \"Exam\", \"Interaction\", \"Contact\", \"Efficiency\"]\n", 590 | "newColumns" 591 | ] 592 | }, 593 | { 594 | "cell_type": "code", 595 | "execution_count": 13, 596 | "metadata": {}, 597 | "outputs": [ 598 | { 599 | "data": { 600 | "text/html": [ 601 | "
\n", 602 | "\n", 615 | "\n", 616 | " \n", 617 | " \n", 618 | " \n", 619 | " \n", 620 | " \n", 621 | " \n", 622 | " \n", 623 | " \n", 624 | " \n", 625 | " \n", 626 | " \n", 627 | " \n", 628 | " \n", 629 | " \n", 630 | " \n", 631 | " \n", 632 | " \n", 633 | " \n", 634 | " \n", 635 | " \n", 636 | " \n", 637 | " \n", 638 | " \n", 639 | " \n", 640 | " \n", 641 | " \n", 642 | " \n", 643 | " \n", 644 | " \n", 645 | " \n", 646 | " \n", 647 | " \n", 648 | " \n", 649 | " \n", 650 | " \n", 651 | " \n", 652 | " \n", 653 | " \n", 654 | " \n", 655 | " \n", 656 | " \n", 657 | " \n", 658 | " \n", 659 | " \n", 660 | " \n", 661 | " \n", 662 | " \n", 663 | " \n", 664 | " \n", 665 | " \n", 666 | " \n", 667 | " \n", 668 | " \n", 669 | " \n", 670 | " \n", 671 | " \n", 672 | " \n", 673 | " \n", 674 | "
MethodMechanismExamInteractionContactEfficiency
0Tüm derslerim senkron modeli ile işleniyorTeorik + UygulamaEvet, sınavlara ek olarak ödev/proje gibi ver...Evet, öğrenci etkileşimliSorunlarımı çözüme kavuşturmak için daha çok u...3
1Tüm derslerim senkron modeli ile işleniyorTeorikHayır, vize ve final sınavlarından ayrı ek bir...Hayır, öğrenci etkileşimli değilSorunlarımı çözüme kavuşturmak için daha çok u...1
2Tüm derslerim senkron modeli ile işleniyorTeorikEvet, sınavlara ek olarak ödev/proje gibi ver...Hayır, öğrenci etkileşimli değilSorunlarımı çözüme kavuşturmak için daha çok u...2
3Bazı derslerim senkron bazı derslerim de asenk...Teorik + UygulamaEvet, sınavlara ek olarak ödev/proje gibi ver...Evet, öğrenci etkileşimliSorunlarımı çözüme kavuşturmak çok daha kısa s...4
4Tüm derslerim asenkron modeli ile işleniyorTeorikHayır, vize ve final sınavlarından ayrı ek bir...Evet, öğrenci etkileşimliSorunlarımı çözüme kavuşturmak çok daha kısa s...2
\n", 675 | "
" 676 | ], 677 | "text/plain": [ 678 | " Method Mechanism \\\n", 679 | "0 Tüm derslerim senkron modeli ile işleniyor Teorik + Uygulama \n", 680 | "1 Tüm derslerim senkron modeli ile işleniyor Teorik \n", 681 | "2 Tüm derslerim senkron modeli ile işleniyor Teorik \n", 682 | "3 Bazı derslerim senkron bazı derslerim de asenk... Teorik + Uygulama \n", 683 | "4 Tüm derslerim asenkron modeli ile işleniyor Teorik \n", 684 | "\n", 685 | " Exam \\\n", 686 | "0 Evet, sınavlara ek olarak ödev/proje gibi ver... \n", 687 | "1 Hayır, vize ve final sınavlarından ayrı ek bir... \n", 688 | "2 Evet, sınavlara ek olarak ödev/proje gibi ver... \n", 689 | "3 Evet, sınavlara ek olarak ödev/proje gibi ver... \n", 690 | "4 Hayır, vize ve final sınavlarından ayrı ek bir... \n", 691 | "\n", 692 | " Interaction \\\n", 693 | "0 Evet, öğrenci etkileşimli \n", 694 | "1 Hayır, öğrenci etkileşimli değil \n", 695 | "2 Hayır, öğrenci etkileşimli değil \n", 696 | "3 Evet, öğrenci etkileşimli \n", 697 | "4 Evet, öğrenci etkileşimli \n", 698 | "\n", 699 | " Contact Efficiency \n", 700 | "0 Sorunlarımı çözüme kavuşturmak için daha çok u... 3 \n", 701 | "1 Sorunlarımı çözüme kavuşturmak için daha çok u... 1 \n", 702 | "2 Sorunlarımı çözüme kavuşturmak için daha çok u... 2 \n", 703 | "3 Sorunlarımı çözüme kavuşturmak çok daha kısa s... 4 \n", 704 | "4 Sorunlarımı çözüme kavuşturmak çok daha kısa s... 2 " 705 | ] 706 | }, 707 | "execution_count": 13, 708 | "metadata": {}, 709 | "output_type": "execute_result" 710 | } 711 | ], 712 | "source": [ 713 | "for i in range(6):\n", 714 | " data.rename(columns={ data.columns[i] : newColumns[i] }, inplace=True)\n", 715 | "data.head()" 716 | ] 717 | }, 718 | { 719 | "cell_type": "code", 720 | "execution_count": 14, 721 | "metadata": {}, 722 | "outputs": [ 723 | { 724 | "data": { 725 | "text/plain": [ 726 | "LabelEncoder()" 727 | ] 728 | }, 729 | "execution_count": 14, 730 | "metadata": {}, 731 | "output_type": "execute_result" 732 | } 733 | ], 734 | "source": [ 735 | "#Label Encoder\n", 736 | "labelEncoder = LabelEncoder()\n", 737 | "labelEncoder" 738 | ] 739 | }, 740 | { 741 | "cell_type": "code", 742 | "execution_count": 15, 743 | "metadata": {}, 744 | "outputs": [ 745 | { 746 | "data": { 747 | "text/html": [ 748 | "
\n", 749 | "\n", 762 | "\n", 763 | " \n", 764 | " \n", 765 | " \n", 766 | " \n", 767 | " \n", 768 | " \n", 769 | " \n", 770 | " \n", 771 | " \n", 772 | " \n", 773 | " \n", 774 | " \n", 775 | " \n", 776 | " \n", 777 | " \n", 778 | " \n", 779 | " \n", 780 | " \n", 781 | " \n", 782 | " \n", 783 | " \n", 784 | " \n", 785 | " \n", 786 | " \n", 787 | " \n", 788 | " \n", 789 | " \n", 790 | " \n", 791 | " \n", 792 | " \n", 793 | " \n", 794 | " \n", 795 | " \n", 796 | " \n", 797 | " \n", 798 | " \n", 799 | " \n", 800 | " \n", 801 | " \n", 802 | " \n", 803 | " \n", 804 | " \n", 805 | " \n", 806 | " \n", 807 | " \n", 808 | " \n", 809 | " \n", 810 | " \n", 811 | " \n", 812 | " \n", 813 | " \n", 814 | " \n", 815 | " \n", 816 | " \n", 817 | " \n", 818 | " \n", 819 | " \n", 820 | " \n", 821 | "
MethodMechanismExamInteractionContactEfficiency
02Teorik + UygulamaEvet, sınavlara ek olarak ödev/proje gibi ver...Evet, öğrenci etkileşimliSorunlarımı çözüme kavuşturmak için daha çok u...3
12TeorikHayır, vize ve final sınavlarından ayrı ek bir...Hayır, öğrenci etkileşimli değilSorunlarımı çözüme kavuşturmak için daha çok u...1
22TeorikEvet, sınavlara ek olarak ödev/proje gibi ver...Hayır, öğrenci etkileşimli değilSorunlarımı çözüme kavuşturmak için daha çok u...2
30Teorik + UygulamaEvet, sınavlara ek olarak ödev/proje gibi ver...Evet, öğrenci etkileşimliSorunlarımı çözüme kavuşturmak çok daha kısa s...4
41TeorikHayır, vize ve final sınavlarından ayrı ek bir...Evet, öğrenci etkileşimliSorunlarımı çözüme kavuşturmak çok daha kısa s...2
\n", 822 | "
" 823 | ], 824 | "text/plain": [ 825 | " Method Mechanism \\\n", 826 | "0 2 Teorik + Uygulama \n", 827 | "1 2 Teorik \n", 828 | "2 2 Teorik \n", 829 | "3 0 Teorik + Uygulama \n", 830 | "4 1 Teorik \n", 831 | "\n", 832 | " Exam \\\n", 833 | "0 Evet, sınavlara ek olarak ödev/proje gibi ver... \n", 834 | "1 Hayır, vize ve final sınavlarından ayrı ek bir... \n", 835 | "2 Evet, sınavlara ek olarak ödev/proje gibi ver... \n", 836 | "3 Evet, sınavlara ek olarak ödev/proje gibi ver... \n", 837 | "4 Hayır, vize ve final sınavlarından ayrı ek bir... \n", 838 | "\n", 839 | " Interaction \\\n", 840 | "0 Evet, öğrenci etkileşimli \n", 841 | "1 Hayır, öğrenci etkileşimli değil \n", 842 | "2 Hayır, öğrenci etkileşimli değil \n", 843 | "3 Evet, öğrenci etkileşimli \n", 844 | "4 Evet, öğrenci etkileşimli \n", 845 | "\n", 846 | " Contact Efficiency \n", 847 | "0 Sorunlarımı çözüme kavuşturmak için daha çok u... 3 \n", 848 | "1 Sorunlarımı çözüme kavuşturmak için daha çok u... 1 \n", 849 | "2 Sorunlarımı çözüme kavuşturmak için daha çok u... 2 \n", 850 | "3 Sorunlarımı çözüme kavuşturmak çok daha kısa s... 4 \n", 851 | "4 Sorunlarımı çözüme kavuşturmak çok daha kısa s... 2 " 852 | ] 853 | }, 854 | "execution_count": 15, 855 | "metadata": {}, 856 | "output_type": "execute_result" 857 | } 858 | ], 859 | "source": [ 860 | "data[\"Method\"] = labelEncoder.fit_transform(data[\"Method\"])\n", 861 | "data.head()" 862 | ] 863 | }, 864 | { 865 | "cell_type": "code", 866 | "execution_count": 16, 867 | "metadata": {}, 868 | "outputs": [ 869 | { 870 | "data": { 871 | "text/html": [ 872 | "
\n", 873 | "\n", 886 | "\n", 887 | " \n", 888 | " \n", 889 | " \n", 890 | " \n", 891 | " \n", 892 | " \n", 893 | " \n", 894 | " \n", 895 | " \n", 896 | " \n", 897 | " \n", 898 | " \n", 899 | " \n", 900 | " \n", 901 | " \n", 902 | " \n", 903 | " \n", 904 | " \n", 905 | " \n", 906 | " \n", 907 | " \n", 908 | " \n", 909 | " \n", 910 | " \n", 911 | " \n", 912 | " \n", 913 | " \n", 914 | " \n", 915 | " \n", 916 | " \n", 917 | " \n", 918 | " \n", 919 | " \n", 920 | " \n", 921 | " \n", 922 | " \n", 923 | " \n", 924 | " \n", 925 | " \n", 926 | " \n", 927 | " \n", 928 | " \n", 929 | " \n", 930 | " \n", 931 | " \n", 932 | " \n", 933 | " \n", 934 | " \n", 935 | " \n", 936 | " \n", 937 | " \n", 938 | " \n", 939 | " \n", 940 | " \n", 941 | " \n", 942 | " \n", 943 | " \n", 944 | " \n", 945 | "
MethodMechanismExamInteractionContactEfficiency
0210002
1201100
2200101
3010013
4101011
\n", 946 | "
" 947 | ], 948 | "text/plain": [ 949 | " Method Mechanism Exam Interaction Contact Efficiency\n", 950 | "0 2 1 0 0 0 2\n", 951 | "1 2 0 1 1 0 0\n", 952 | "2 2 0 0 1 0 1\n", 953 | "3 0 1 0 0 1 3\n", 954 | "4 1 0 1 0 1 1" 955 | ] 956 | }, 957 | "execution_count": 16, 958 | "metadata": {}, 959 | "output_type": "execute_result" 960 | } 961 | ], 962 | "source": [ 963 | "for column in data.columns[1:]:\n", 964 | " data[column] = labelEncoder.fit_transform(data[column])\n", 965 | "data.head()" 966 | ] 967 | }, 968 | { 969 | "cell_type": "code", 970 | "execution_count": 17, 971 | "metadata": {}, 972 | "outputs": [ 973 | { 974 | "data": { 975 | "text/plain": [ 976 | "OneHotEncoder()" 977 | ] 978 | }, 979 | "execution_count": 17, 980 | "metadata": {}, 981 | "output_type": "execute_result" 982 | } 983 | ], 984 | "source": [ 985 | "#One Hot Encoder\n", 986 | "oneHotEncoder = OneHotEncoder()\n", 987 | "oneHotEncoder" 988 | ] 989 | }, 990 | { 991 | "cell_type": "code", 992 | "execution_count": 18, 993 | "metadata": {}, 994 | "outputs": [ 995 | { 996 | "data": { 997 | "text/plain": [ 998 | "numpy.ndarray" 999 | ] 1000 | }, 1001 | "execution_count": 18, 1002 | "metadata": {}, 1003 | "output_type": "execute_result" 1004 | } 1005 | ], 1006 | "source": [ 1007 | "method = oneHotEncoder.fit_transform(data.iloc[:, 0:1]).toarray().astype(int)\n", 1008 | "type(method)" 1009 | ] 1010 | }, 1011 | { 1012 | "cell_type": "code", 1013 | "execution_count": 19, 1014 | "metadata": {}, 1015 | "outputs": [ 1016 | { 1017 | "data": { 1018 | "text/html": [ 1019 | "
\n", 1020 | "\n", 1033 | "\n", 1034 | " \n", 1035 | " \n", 1036 | " \n", 1037 | " \n", 1038 | " \n", 1039 | " \n", 1040 | " \n", 1041 | " \n", 1042 | " \n", 1043 | " \n", 1044 | " \n", 1045 | " \n", 1046 | " \n", 1047 | " \n", 1048 | " \n", 1049 | " \n", 1050 | " \n", 1051 | " \n", 1052 | " \n", 1053 | " \n", 1054 | " \n", 1055 | " \n", 1056 | " \n", 1057 | " \n", 1058 | " \n", 1059 | " \n", 1060 | " \n", 1061 | " \n", 1062 | " \n", 1063 | " \n", 1064 | " \n", 1065 | " \n", 1066 | " \n", 1067 | " \n", 1068 | " \n", 1069 | " \n", 1070 | " \n", 1071 | " \n", 1072 | " \n", 1073 | " \n", 1074 | "
SyncAsyncBoth
0001
1001
2001
3100
4010
\n", 1075 | "
" 1076 | ], 1077 | "text/plain": [ 1078 | " Sync Async Both\n", 1079 | "0 0 0 1\n", 1080 | "1 0 0 1\n", 1081 | "2 0 0 1\n", 1082 | "3 1 0 0\n", 1083 | "4 0 1 0" 1084 | ] 1085 | }, 1086 | "execution_count": 19, 1087 | "metadata": {}, 1088 | "output_type": "execute_result" 1089 | } 1090 | ], 1091 | "source": [ 1092 | "method = pd.DataFrame(data = method, index = range(969), columns = [\"Sync\", \"Async\", \"Both\"])\n", 1093 | "method.head()" 1094 | ] 1095 | }, 1096 | { 1097 | "cell_type": "code", 1098 | "execution_count": 20, 1099 | "metadata": {}, 1100 | "outputs": [ 1101 | { 1102 | "data": { 1103 | "text/html": [ 1104 | "
\n", 1105 | "\n", 1118 | "\n", 1119 | " \n", 1120 | " \n", 1121 | " \n", 1122 | " \n", 1123 | " \n", 1124 | " \n", 1125 | " \n", 1126 | " \n", 1127 | " \n", 1128 | " \n", 1129 | " \n", 1130 | " \n", 1131 | " \n", 1132 | " \n", 1133 | " \n", 1134 | " \n", 1135 | " \n", 1136 | " \n", 1137 | " \n", 1138 | " \n", 1139 | " \n", 1140 | " \n", 1141 | " \n", 1142 | " \n", 1143 | " \n", 1144 | " \n", 1145 | " \n", 1146 | " \n", 1147 | " \n", 1148 | " \n", 1149 | " \n", 1150 | " \n", 1151 | " \n", 1152 | " \n", 1153 | " \n", 1154 | " \n", 1155 | " \n", 1156 | " \n", 1157 | " \n", 1158 | " \n", 1159 | " \n", 1160 | " \n", 1161 | " \n", 1162 | " \n", 1163 | " \n", 1164 | " \n", 1165 | " \n", 1166 | " \n", 1167 | " \n", 1168 | " \n", 1169 | " \n", 1170 | " \n", 1171 | " \n", 1172 | " \n", 1173 | " \n", 1174 | " \n", 1175 | " \n", 1176 | " \n", 1177 | " \n", 1178 | " \n", 1179 | " \n", 1180 | " \n", 1181 | " \n", 1182 | " \n", 1183 | " \n", 1184 | " \n", 1185 | " \n", 1186 | " \n", 1187 | " \n", 1188 | " \n", 1189 | "
SyncAsyncBothMechanismExamInteractionContactEfficiency
000110002
100101100
200100101
310010013
401001011
\n", 1190 | "
" 1191 | ], 1192 | "text/plain": [ 1193 | " Sync Async Both Mechanism Exam Interaction Contact Efficiency\n", 1194 | "0 0 0 1 1 0 0 0 2\n", 1195 | "1 0 0 1 0 1 1 0 0\n", 1196 | "2 0 0 1 0 0 1 0 1\n", 1197 | "3 1 0 0 1 0 0 1 3\n", 1198 | "4 0 1 0 0 1 0 1 1" 1199 | ] 1200 | }, 1201 | "execution_count": 20, 1202 | "metadata": {}, 1203 | "output_type": "execute_result" 1204 | } 1205 | ], 1206 | "source": [ 1207 | "data = pd.concat([method, data.iloc[:, 1:]], axis=1)\n", 1208 | "data.head()" 1209 | ] 1210 | }, 1211 | { 1212 | "cell_type": "code", 1213 | "execution_count": 21, 1214 | "metadata": {}, 1215 | "outputs": [], 1216 | "source": [ 1217 | "#Train Test Split\n", 1218 | "X_train, X_test, y_train, y_test = train_test_split(data.iloc[:,0:-1], data.iloc[:,-1], test_size=0.2, random_state=0)" 1219 | ] 1220 | }, 1221 | { 1222 | "cell_type": "code", 1223 | "execution_count": 22, 1224 | "metadata": {}, 1225 | "outputs": [ 1226 | { 1227 | "data": { 1228 | "text/html": [ 1229 | "
\n", 1230 | "\n", 1243 | "\n", 1244 | " \n", 1245 | " \n", 1246 | " \n", 1247 | " \n", 1248 | " \n", 1249 | " \n", 1250 | " \n", 1251 | " \n", 1252 | " \n", 1253 | " \n", 1254 | " \n", 1255 | " \n", 1256 | " \n", 1257 | " \n", 1258 | " \n", 1259 | " \n", 1260 | " \n", 1261 | " \n", 1262 | " \n", 1263 | " \n", 1264 | " \n", 1265 | " \n", 1266 | " \n", 1267 | " \n", 1268 | " \n", 1269 | " \n", 1270 | " \n", 1271 | " \n", 1272 | " \n", 1273 | " \n", 1274 | " \n", 1275 | " \n", 1276 | " \n", 1277 | " \n", 1278 | " \n", 1279 | " \n", 1280 | " \n", 1281 | " \n", 1282 | " \n", 1283 | " \n", 1284 | " \n", 1285 | " \n", 1286 | " \n", 1287 | " \n", 1288 | " \n", 1289 | " \n", 1290 | " \n", 1291 | " \n", 1292 | " \n", 1293 | " \n", 1294 | " \n", 1295 | " \n", 1296 | " \n", 1297 | " \n", 1298 | " \n", 1299 | " \n", 1300 | " \n", 1301 | " \n", 1302 | " \n", 1303 | " \n", 1304 | " \n", 1305 | " \n", 1306 | " \n", 1307 | " \n", 1308 | " \n", 1309 | " \n", 1310 | " \n", 1311 | " \n", 1312 | " \n", 1313 | " \n", 1314 | " \n", 1315 | " \n", 1316 | " \n", 1317 | " \n", 1318 | " \n", 1319 | " \n", 1320 | " \n", 1321 | " \n", 1322 | " \n", 1323 | " \n", 1324 | " \n", 1325 | " \n", 1326 | " \n", 1327 | " \n", 1328 | " \n", 1329 | " \n", 1330 | " \n", 1331 | " \n", 1332 | " \n", 1333 | " \n", 1334 | " \n", 1335 | " \n", 1336 | " \n", 1337 | " \n", 1338 | " \n", 1339 | " \n", 1340 | " \n", 1341 | " \n", 1342 | " \n", 1343 | " \n", 1344 | " \n", 1345 | " \n", 1346 | " \n", 1347 | " \n", 1348 | " \n", 1349 | " \n", 1350 | " \n", 1351 | " \n", 1352 | " \n", 1353 | " \n", 1354 | " \n", 1355 | " \n", 1356 | " \n", 1357 | " \n", 1358 | " \n", 1359 | " \n", 1360 | " \n", 1361 | " \n", 1362 | " \n", 1363 | " \n", 1364 | " \n", 1365 | " \n", 1366 | " \n", 1367 | " \n", 1368 | "
SyncAsyncBothMechanismExamInteractionContact
1961000001
4520011001
7980010000
620100111
790010100
........................
8351000010
1920011000
6291001000
5591000101
6840101001
\n", 1369 | "

775 rows × 7 columns

\n", 1370 | "
" 1371 | ], 1372 | "text/plain": [ 1373 | " Sync Async Both Mechanism Exam Interaction Contact\n", 1374 | "196 1 0 0 0 0 0 1\n", 1375 | "452 0 0 1 1 0 0 1\n", 1376 | "798 0 0 1 0 0 0 0\n", 1377 | "62 0 1 0 0 1 1 1\n", 1378 | "79 0 0 1 0 1 0 0\n", 1379 | ".. ... ... ... ... ... ... ...\n", 1380 | "835 1 0 0 0 0 1 0\n", 1381 | "192 0 0 1 1 0 0 0\n", 1382 | "629 1 0 0 1 0 0 0\n", 1383 | "559 1 0 0 0 1 0 1\n", 1384 | "684 0 1 0 1 0 0 1\n", 1385 | "\n", 1386 | "[775 rows x 7 columns]" 1387 | ] 1388 | }, 1389 | "execution_count": 22, 1390 | "metadata": {}, 1391 | "output_type": "execute_result" 1392 | } 1393 | ], 1394 | "source": [ 1395 | "X_train" 1396 | ] 1397 | }, 1398 | { 1399 | "cell_type": "code", 1400 | "execution_count": 23, 1401 | "metadata": {}, 1402 | "outputs": [ 1403 | { 1404 | "data": { 1405 | "text/plain": [ 1406 | "LinearRegression()" 1407 | ] 1408 | }, 1409 | "execution_count": 23, 1410 | "metadata": {}, 1411 | "output_type": "execute_result" 1412 | } 1413 | ], 1414 | "source": [ 1415 | "# Linear Regression\n", 1416 | "regressor = LinearRegression()\n", 1417 | "regressor" 1418 | ] 1419 | }, 1420 | { 1421 | "cell_type": "code", 1422 | "execution_count": 24, 1423 | "metadata": {}, 1424 | "outputs": [ 1425 | { 1426 | "data": { 1427 | "text/plain": [ 1428 | "LinearRegression()" 1429 | ] 1430 | }, 1431 | "execution_count": 24, 1432 | "metadata": {}, 1433 | "output_type": "execute_result" 1434 | } 1435 | ], 1436 | "source": [ 1437 | "regressor.fit(X_train, y_train)" 1438 | ] 1439 | }, 1440 | { 1441 | "cell_type": "code", 1442 | "execution_count": 25, 1443 | "metadata": {}, 1444 | "outputs": [ 1445 | { 1446 | "data": { 1447 | "text/plain": [ 1448 | "array([2.63198087, 2.85852907, 1.22849473, 2.57178517, 1.72518769,\n", 1449 | " 2.5993329 , 1.66499199, 0.97972051, 2.70877572, 1.22849473,\n", 1450 | " 1.51523863, 2.36183611, 1.22849473, 1.22849473, 0.76977145,\n", 1451 | " 1.43844379, 2.91872478, 1.43844379, 1.43844379, 0.76977145,\n", 1452 | " 2.91872478, 1.72518769, 2.63198087, 1.43844379, 1.72518769,\n", 1453 | " 1.72518769, 1.43844379, 1.43844379, 1.22849473, 2.91872478,\n", 1454 | " 2.91872478, 2.42203181, 1.16829902, 1.72518769, 2.91872478,\n", 1455 | " 1.22849473, 1.05651536, 0.97972051, 2.91872478, 0.76977145,\n", 1456 | " 1.05651536, 1.43844379, 1.72518769, 1.72518769, 0.9195248 ,\n", 1457 | " 0.88687682, 2.91872478, 1.51523863, 1.96330854, 1.72518769,\n", 1458 | " 2.91872478, 1.51523863, 1.22849473, 1.72518769, 2.63198087,\n", 1459 | " 2.8860768 , 1.26646442, 1.22849473, 1.66499199, 1.43844379,\n", 1460 | " 2.63198087, 0.76977145, 1.37824808, 1.72518769, 2.91872478,\n", 1461 | " 1.16829902, 1.26646442, 2.70877572, 2.46000151, 0.70957574,\n", 1462 | " 1.51523863, 1.90311283, 2.11306189, 2.63198087, 1.43844379,\n", 1463 | " 1.37824808, 2.8860768 , 1.22849473, 2.70877572, 1.43844379,\n", 1464 | " 1.96330854, 2.70877572, 1.40579581, 1.72518769, 2.91872478,\n", 1465 | " 1.43844379, 1.22849473, 0.9195248 , 1.05651536, 1.05651536,\n", 1466 | " 2.36183611, 1.22849473, 1.51523863, 2.91872478, 1.72518769,\n", 1467 | " 2.1732576 , 1.43844379, 2.63198087, 1.26646442, 1.51523863,\n", 1468 | " 2.08041391, 1.72518769, 1.72518769, 0.97972051, 1.26646442,\n", 1469 | " 0.76977145, 1.37824808, 1.51523863, 1.69253971, 1.43844379,\n", 1470 | " 1.66499199, 1.40579581, 1.43844379, 1.22849473, 2.8860768 ,\n", 1471 | " 1.72518769, 1.51523863, 1.72518769, 2.64858001, 1.72518769,\n", 1472 | " 1.17362073, 2.63198087, 0.88687682, 0.99631965, 2.64858001,\n", 1473 | " 2.08041391, 1.16829902, 1.37824808, 1.43844379, 1.37824808,\n", 1474 | " 2.63198087, 2.8860768 , 1.72518769, 0.76977145, 0.88687682,\n", 1475 | " 1.37824808, 2.70877572, 1.43844379, 1.43844379, 0.76977145,\n", 1476 | " 2.63198087, 2.3998058 , 0.97972051, 1.43844379, 1.72518769,\n", 1477 | " 2.5993329 , 1.96330854, 1.43844379, 1.22849473, 2.57178517,\n", 1478 | " 2.70877572, 1.72518769, 0.76977145, 2.91872478, 2.1732576 ,\n", 1479 | " 2.63198087, 1.72518769, 1.37824808, 1.72518769, 1.43844379,\n", 1480 | " 1.37824808, 1.40579581, 1.72518769, 1.51523863, 2.63198087,\n", 1481 | " 1.69253971, 1.05651536, 2.91872478, 2.91872478, 2.70877572,\n", 1482 | " 0.97972051, 2.70877572, 1.22849473, 1.22849473, 0.9195248 ,\n", 1483 | " 2.42203181, 2.70877572, 1.51523863, 0.9195248 , 1.43844379,\n", 1484 | " 0.76977145, 1.66499199, 2.91872478, 1.43844379, 1.72518769,\n", 1485 | " 2.63198087, 0.70957574, 2.91872478, 2.46000151, 1.51523863,\n", 1486 | " 0.76977145, 1.72518769, 2.42203181, 1.72518769])" 1487 | ] 1488 | }, 1489 | "execution_count": 25, 1490 | "metadata": {}, 1491 | "output_type": "execute_result" 1492 | } 1493 | ], 1494 | "source": [ 1495 | "# Linear Regression Predict\n", 1496 | "y_pred = regressor.predict(X_test)\n", 1497 | "y_pred" 1498 | ] 1499 | }, 1500 | { 1501 | "cell_type": "code", 1502 | "execution_count": 26, 1503 | "metadata": {}, 1504 | "outputs": [ 1505 | { 1506 | "data": { 1507 | "text/html": [ 1508 | "\n", 1509 | "\n", 1510 | "\n", 1511 | " \n", 1512 | "\n", 1513 | "\n", 1514 | " \n", 1515 | "\n", 1516 | "\n", 1517 | " \n", 1518 | "\n", 1519 | "\n", 1520 | " \n", 1521 | "\n", 1522 | "\n", 1523 | " \n", 1524 | "\n", 1525 | "\n", 1526 | " \n", 1527 | "\n", 1528 | "\n", 1529 | " \n", 1530 | "\n", 1531 | "\n", 1532 | " \n", 1533 | "\n", 1534 | "\n", 1535 | " \n", 1536 | "\n", 1537 | "
OLS Regression Results
Dep. Variable: Efficiency R-squared: 0.323
Model: OLS Adj. R-squared: 0.319
Method: Least Squares F-statistic: 76.66
Date: Sat, 10 Apr 2021 Prob (F-statistic): 2.86e-78
Time: 16:23:36 Log-Likelihood: -1338.9
No. Observations: 969 AIC: 2692.
Df Residuals: 962 BIC: 2726.
Df Model: 6
Covariance Type: nonrobust
\n", 1538 | "\n", 1539 | "\n", 1540 | " \n", 1541 | "\n", 1542 | "\n", 1543 | " \n", 1544 | "\n", 1545 | "\n", 1546 | " \n", 1547 | "\n", 1548 | "\n", 1549 | " \n", 1550 | "\n", 1551 | "\n", 1552 | " \n", 1553 | "\n", 1554 | "\n", 1555 | " \n", 1556 | "\n", 1557 | "\n", 1558 | " \n", 1559 | "\n", 1560 | "\n", 1561 | " \n", 1562 | "\n", 1563 | "
coef std err t P>|t| [0.025 0.975]
x1 1.2658 0.075 16.892 0.000 1.119 1.413
x2 1.4232 0.130 10.963 0.000 1.168 1.678
x3 1.4357 0.062 23.243 0.000 1.314 1.557
x4 0.2650 0.065 4.082 0.000 0.138 0.392
x5 -0.0709 0.080 -0.888 0.375 -0.228 0.086
x6 -0.4747 0.076 -6.211 0.000 -0.625 -0.325
x7 1.1490 0.066 17.450 0.000 1.020 1.278
\n", 1564 | "\n", 1565 | "\n", 1566 | " \n", 1567 | "\n", 1568 | "\n", 1569 | " \n", 1570 | "\n", 1571 | "\n", 1572 | " \n", 1573 | "\n", 1574 | "\n", 1575 | " \n", 1576 | "\n", 1577 | "
Omnibus: 3.449 Durbin-Watson: 1.976
Prob(Omnibus): 0.178 Jarque-Bera (JB): 2.954
Skew: -0.042 Prob(JB): 0.228
Kurtosis: 2.743 Cond. No. 4.81


Notes:
[1] Standard Errors assume that the covariance matrix of the errors is correctly specified." 1578 | ], 1579 | "text/plain": [ 1580 | "\n", 1581 | "\"\"\"\n", 1582 | " OLS Regression Results \n", 1583 | "==============================================================================\n", 1584 | "Dep. Variable: Efficiency R-squared: 0.323\n", 1585 | "Model: OLS Adj. R-squared: 0.319\n", 1586 | "Method: Least Squares F-statistic: 76.66\n", 1587 | "Date: Sat, 10 Apr 2021 Prob (F-statistic): 2.86e-78\n", 1588 | "Time: 16:23:36 Log-Likelihood: -1338.9\n", 1589 | "No. Observations: 969 AIC: 2692.\n", 1590 | "Df Residuals: 962 BIC: 2726.\n", 1591 | "Df Model: 6 \n", 1592 | "Covariance Type: nonrobust \n", 1593 | "==============================================================================\n", 1594 | " coef std err t P>|t| [0.025 0.975]\n", 1595 | "------------------------------------------------------------------------------\n", 1596 | "x1 1.2658 0.075 16.892 0.000 1.119 1.413\n", 1597 | "x2 1.4232 0.130 10.963 0.000 1.168 1.678\n", 1598 | "x3 1.4357 0.062 23.243 0.000 1.314 1.557\n", 1599 | "x4 0.2650 0.065 4.082 0.000 0.138 0.392\n", 1600 | "x5 -0.0709 0.080 -0.888 0.375 -0.228 0.086\n", 1601 | "x6 -0.4747 0.076 -6.211 0.000 -0.625 -0.325\n", 1602 | "x7 1.1490 0.066 17.450 0.000 1.020 1.278\n", 1603 | "==============================================================================\n", 1604 | "Omnibus: 3.449 Durbin-Watson: 1.976\n", 1605 | "Prob(Omnibus): 0.178 Jarque-Bera (JB): 2.954\n", 1606 | "Skew: -0.042 Prob(JB): 0.228\n", 1607 | "Kurtosis: 2.743 Cond. No. 4.81\n", 1608 | "==============================================================================\n", 1609 | "\n", 1610 | "Notes:\n", 1611 | "[1] Standard Errors assume that the covariance matrix of the errors is correctly specified.\n", 1612 | "\"\"\"" 1613 | ] 1614 | }, 1615 | "execution_count": 26, 1616 | "metadata": {}, 1617 | "output_type": "execute_result" 1618 | } 1619 | ], 1620 | "source": [ 1621 | "X = np.append(arr = np.ones((969,1)).astype(int), values = data, axis=1)\n", 1622 | "x_list = np.array(data.iloc[:,0:-1], dtype = float)\n", 1623 | "model = sm.OLS(data.iloc[:,-1], x_list).fit()\n", 1624 | "model.summary()" 1625 | ] 1626 | }, 1627 | { 1628 | "cell_type": "code", 1629 | "execution_count": 27, 1630 | "metadata": {}, 1631 | "outputs": [ 1632 | { 1633 | "data": { 1634 | "text/html": [ 1635 | "\n", 1636 | "\n", 1637 | "\n", 1638 | " \n", 1639 | "\n", 1640 | "\n", 1641 | " \n", 1642 | "\n", 1643 | "\n", 1644 | " \n", 1645 | "\n", 1646 | "\n", 1647 | " \n", 1648 | "\n", 1649 | "\n", 1650 | " \n", 1651 | "\n", 1652 | "\n", 1653 | " \n", 1654 | "\n", 1655 | "\n", 1656 | " \n", 1657 | "\n", 1658 | "\n", 1659 | " \n", 1660 | "\n", 1661 | "\n", 1662 | " \n", 1663 | "\n", 1664 | "
OLS Regression Results
Dep. Variable: Efficiency R-squared: 0.323
Model: OLS Adj. R-squared: 0.319
Method: Least Squares F-statistic: 91.86
Date: Sat, 10 Apr 2021 Prob (F-statistic): 4.19e-79
Time: 16:23:37 Log-Likelihood: -1339.3
No. Observations: 969 AIC: 2691.
Df Residuals: 963 BIC: 2720.
Df Model: 5
Covariance Type: nonrobust
\n", 1665 | "\n", 1666 | "\n", 1667 | " \n", 1668 | "\n", 1669 | "\n", 1670 | " \n", 1671 | "\n", 1672 | "\n", 1673 | " \n", 1674 | "\n", 1675 | "\n", 1676 | " \n", 1677 | "\n", 1678 | "\n", 1679 | " \n", 1680 | "\n", 1681 | "\n", 1682 | " \n", 1683 | "\n", 1684 | "\n", 1685 | " \n", 1686 | "\n", 1687 | "
coef std err t P>|t| [0.025 0.975]
x1 1.2498 0.073 17.186 0.000 1.107 1.392
x2 1.3971 0.126 11.050 0.000 1.149 1.645
x3 1.4188 0.059 24.147 0.000 1.303 1.534
x4 0.2735 0.064 4.261 0.000 0.148 0.399
x5 -0.4815 0.076 -6.334 0.000 -0.631 -0.332
x6 1.1509 0.066 17.490 0.000 1.022 1.280
\n", 1688 | "\n", 1689 | "\n", 1690 | " \n", 1691 | "\n", 1692 | "\n", 1693 | " \n", 1694 | "\n", 1695 | "\n", 1696 | " \n", 1697 | "\n", 1698 | "\n", 1699 | " \n", 1700 | "\n", 1701 | "
Omnibus: 3.238 Durbin-Watson: 1.974
Prob(Omnibus): 0.198 Jarque-Bera (JB): 2.815
Skew: -0.044 Prob(JB): 0.245
Kurtosis: 2.751 Cond. No. 4.54


Notes:
[1] Standard Errors assume that the covariance matrix of the errors is correctly specified." 1702 | ], 1703 | "text/plain": [ 1704 | "\n", 1705 | "\"\"\"\n", 1706 | " OLS Regression Results \n", 1707 | "==============================================================================\n", 1708 | "Dep. Variable: Efficiency R-squared: 0.323\n", 1709 | "Model: OLS Adj. R-squared: 0.319\n", 1710 | "Method: Least Squares F-statistic: 91.86\n", 1711 | "Date: Sat, 10 Apr 2021 Prob (F-statistic): 4.19e-79\n", 1712 | "Time: 16:23:37 Log-Likelihood: -1339.3\n", 1713 | "No. Observations: 969 AIC: 2691.\n", 1714 | "Df Residuals: 963 BIC: 2720.\n", 1715 | "Df Model: 5 \n", 1716 | "Covariance Type: nonrobust \n", 1717 | "==============================================================================\n", 1718 | " coef std err t P>|t| [0.025 0.975]\n", 1719 | "------------------------------------------------------------------------------\n", 1720 | "x1 1.2498 0.073 17.186 0.000 1.107 1.392\n", 1721 | "x2 1.3971 0.126 11.050 0.000 1.149 1.645\n", 1722 | "x3 1.4188 0.059 24.147 0.000 1.303 1.534\n", 1723 | "x4 0.2735 0.064 4.261 0.000 0.148 0.399\n", 1724 | "x5 -0.4815 0.076 -6.334 0.000 -0.631 -0.332\n", 1725 | "x6 1.1509 0.066 17.490 0.000 1.022 1.280\n", 1726 | "==============================================================================\n", 1727 | "Omnibus: 3.238 Durbin-Watson: 1.974\n", 1728 | "Prob(Omnibus): 0.198 Jarque-Bera (JB): 2.815\n", 1729 | "Skew: -0.044 Prob(JB): 0.245\n", 1730 | "Kurtosis: 2.751 Cond. No. 4.54\n", 1731 | "==============================================================================\n", 1732 | "\n", 1733 | "Notes:\n", 1734 | "[1] Standard Errors assume that the covariance matrix of the errors is correctly specified.\n", 1735 | "\"\"\"" 1736 | ] 1737 | }, 1738 | "execution_count": 27, 1739 | "metadata": {}, 1740 | "output_type": "execute_result" 1741 | } 1742 | ], 1743 | "source": [ 1744 | "X = np.append(arr = np.ones((969,1)).astype(int), values = data, axis=1)\n", 1745 | "x_list = np.array(data.iloc[:,[0,1,2,3,5,6]], dtype = float)\n", 1746 | "model = sm.OLS(data.iloc[:,-1], x_list).fit()\n", 1747 | "model.summary()" 1748 | ] 1749 | }, 1750 | { 1751 | "cell_type": "code", 1752 | "execution_count": 28, 1753 | "metadata": {}, 1754 | "outputs": [ 1755 | { 1756 | "data": { 1757 | "text/html": [ 1758 | "\n", 1759 | "\n", 1760 | "\n", 1761 | " \n", 1762 | "\n", 1763 | "\n", 1764 | " \n", 1765 | "\n", 1766 | "\n", 1767 | " \n", 1768 | "\n", 1769 | "\n", 1770 | " \n", 1771 | "\n", 1772 | "\n", 1773 | " \n", 1774 | "\n", 1775 | "\n", 1776 | " \n", 1777 | "\n", 1778 | "\n", 1779 | " \n", 1780 | "\n", 1781 | "\n", 1782 | " \n", 1783 | "\n", 1784 | "\n", 1785 | " \n", 1786 | "\n", 1787 | "
OLS Regression Results
Dep. Variable: Efficiency R-squared (uncentered): 0.771
Model: OLS Adj. R-squared (uncentered): 0.770
Method: Least Squares F-statistic: 649.0
Date: Sat, 10 Apr 2021 Prob (F-statistic): 1.62e-305
Time: 16:23:37 Log-Likelihood: -1397.1
No. Observations: 969 AIC: 2804.
Df Residuals: 964 BIC: 2829.
Df Model: 5
Covariance Type: nonrobust
\n", 1788 | "\n", 1789 | "\n", 1790 | " \n", 1791 | "\n", 1792 | "\n", 1793 | " \n", 1794 | "\n", 1795 | "\n", 1796 | " \n", 1797 | "\n", 1798 | "\n", 1799 | " \n", 1800 | "\n", 1801 | "\n", 1802 | " \n", 1803 | "\n", 1804 | "\n", 1805 | " \n", 1806 | "\n", 1807 | "
coef std err t P>|t| [0.025 0.975]
x1 1.0297 0.074 13.877 0.000 0.884 1.175
x2 1.2306 0.060 20.626 0.000 1.113 1.348
x3 0.4416 0.066 6.674 0.000 0.312 0.571
x4 -0.2047 0.076 -2.688 0.007 -0.354 -0.055
x5 1.3069 0.068 19.168 0.000 1.173 1.441
\n", 1808 | "\n", 1809 | "\n", 1810 | " \n", 1811 | "\n", 1812 | "\n", 1813 | " \n", 1814 | "\n", 1815 | "\n", 1816 | " \n", 1817 | "\n", 1818 | "\n", 1819 | " \n", 1820 | "\n", 1821 | "
Omnibus: 1.644 Durbin-Watson: 1.964
Prob(Omnibus): 0.440 Jarque-Bera (JB): 1.514
Skew: 0.063 Prob(JB): 0.469
Kurtosis: 3.148 Cond. No. 3.16


Notes:
[1] R² is computed without centering (uncentered) since the model does not contain a constant.
[2] Standard Errors assume that the covariance matrix of the errors is correctly specified." 1822 | ], 1823 | "text/plain": [ 1824 | "\n", 1825 | "\"\"\"\n", 1826 | " OLS Regression Results \n", 1827 | "=======================================================================================\n", 1828 | "Dep. Variable: Efficiency R-squared (uncentered): 0.771\n", 1829 | "Model: OLS Adj. R-squared (uncentered): 0.770\n", 1830 | "Method: Least Squares F-statistic: 649.0\n", 1831 | "Date: Sat, 10 Apr 2021 Prob (F-statistic): 1.62e-305\n", 1832 | "Time: 16:23:37 Log-Likelihood: -1397.1\n", 1833 | "No. Observations: 969 AIC: 2804.\n", 1834 | "Df Residuals: 964 BIC: 2829.\n", 1835 | "Df Model: 5 \n", 1836 | "Covariance Type: nonrobust \n", 1837 | "==============================================================================\n", 1838 | " coef std err t P>|t| [0.025 0.975]\n", 1839 | "------------------------------------------------------------------------------\n", 1840 | "x1 1.0297 0.074 13.877 0.000 0.884 1.175\n", 1841 | "x2 1.2306 0.060 20.626 0.000 1.113 1.348\n", 1842 | "x3 0.4416 0.066 6.674 0.000 0.312 0.571\n", 1843 | "x4 -0.2047 0.076 -2.688 0.007 -0.354 -0.055\n", 1844 | "x5 1.3069 0.068 19.168 0.000 1.173 1.441\n", 1845 | "==============================================================================\n", 1846 | "Omnibus: 1.644 Durbin-Watson: 1.964\n", 1847 | "Prob(Omnibus): 0.440 Jarque-Bera (JB): 1.514\n", 1848 | "Skew: 0.063 Prob(JB): 0.469\n", 1849 | "Kurtosis: 3.148 Cond. No. 3.16\n", 1850 | "==============================================================================\n", 1851 | "\n", 1852 | "Notes:\n", 1853 | "[1] R² is computed without centering (uncentered) since the model does not contain a constant.\n", 1854 | "[2] Standard Errors assume that the covariance matrix of the errors is correctly specified.\n", 1855 | "\"\"\"" 1856 | ] 1857 | }, 1858 | "execution_count": 28, 1859 | "metadata": {}, 1860 | "output_type": "execute_result" 1861 | } 1862 | ], 1863 | "source": [ 1864 | "X = np.append(arr = np.ones((969,1)).astype(int), values = data, axis=1)\n", 1865 | "x_list = np.array(data.iloc[:,[0,2,3,5,6]], dtype = float)\n", 1866 | "model = sm.OLS(data.iloc[:,-1], x_list).fit()\n", 1867 | "model.summary()" 1868 | ] 1869 | }, 1870 | { 1871 | "cell_type": "code", 1872 | "execution_count": 29, 1873 | "metadata": {}, 1874 | "outputs": [], 1875 | "source": [ 1876 | "#Saving model to disk\n", 1877 | "pickle.dump(regressor, open('model.pkl', 'wb'))" 1878 | ] 1879 | }, 1880 | { 1881 | "cell_type": "code", 1882 | "execution_count": null, 1883 | "metadata": {}, 1884 | "outputs": [], 1885 | "source": [] 1886 | } 1887 | ], 1888 | "metadata": { 1889 | "kernelspec": { 1890 | "display_name": "Python 3", 1891 | "language": "python", 1892 | "name": "python3" 1893 | }, 1894 | "language_info": { 1895 | "codemirror_mode": { 1896 | "name": "ipython", 1897 | "version": 3 1898 | }, 1899 | "file_extension": ".py", 1900 | "mimetype": "text/x-python", 1901 | "name": "python", 1902 | "nbconvert_exporter": "python", 1903 | "pygments_lexer": "ipython3", 1904 | "version": "3.8.5" 1905 | } 1906 | }, 1907 | "nbformat": 4, 1908 | "nbformat_minor": 4 1909 | } 1910 | -------------------------------------------------------------------------------- /model.pkl: -------------------------------------------------------------------------------- https://raw.githubusercontent.com/selmanbaskaya/Machine-Learning-and-Web-Development/a60615e8097550561831a01ac06eec610c1fa9a5/model.pkl -------------------------------------------------------------------------------- /readme.MD: -------------------------------------------------------------------------------- 1 | ## Machine Learning & Web Development 2 | ![](assets/readme-img.png) 3 | 4 | **** 5 | 6 | ## YouTube Channel & Videos 7 | 8 | **** 9 | 10 | - [YouTube Channel](https://www.youtube.com/SelmanBaskaya) 11 | - [Tanıtım | Kanal İçeriği | Machine Learning & Web Development Projesi #0](https://www.youtube.com/watch?v=BkprXbS6tA4) 12 | - [Veri Tipleri, Kolon ve Encoding İşlemleri](https://www.youtube.com/watch?v=uba0iHWMsCY) 13 | - [train_test_split() - Linear Regression - statsmodels](https://www.youtube.com/watch?v=IPCLX1E0mo4) 14 | - [Pickle Nedir? İlk Flask App'imizi Oluşturalım](https://youtu.be/0q8qrOZSILM) 15 | - [Flask ile Web Uygulaması Arayüzünü Hazırlama ](https://www.youtube.com/watch?v=C3kfPjJH0CU) 16 | - [Flask Uygulamasında ML Modelinden Tahmin Değeri Alma ](https://www.youtube.com/watch?v=lWv0952Yd-I) 17 | 18 | **** 19 | 20 | ## ToDo List 21 | ### Machine Learning 22 | - [x] Data labeling 23 | - [x] Data preparation 24 | - [x] Training of the ML Model 25 | - [x] Optimization of ML Model 26 | 27 | ### Web Application 28 | - [x] Install Flask 29 | - [x] Designing the interface 30 | - [x] Coding the interface 31 | 32 | ### Integration of Machine Learning and Web Application 33 | - [x] Creation of Pickle file for ML model 34 | - [x] Affecting the web application with parameters 35 | 36 | ### Bonus 37 | - [ ] Deploy on Heroku 38 | 39 | **** 40 | 41 | ## Author 42 | **Selman Baskaya** 43 | 44 | Follow me on [Twitter](https://twitter.com/selmanbaskaya) 45 | 46 | Follow me on [Medium](https://medium.com/@selmanbaskaya) 47 | -------------------------------------------------------------------------------- /templates/index.html: -------------------------------------------------------------------------------- 1 | 2 | 3 | 4 | 5 | 6 | 7 | 13 | Flask Web Application 14 | 15 | 16 |
17 |
18 | Uzaktan Eğitimin Verimliliği ve Referans Sistemi 19 |
20 |
21 |
22 |
23 |
24 |
25 | 29 |
30 |
31 | 38 | 39 |
40 |
41 | 48 | 49 |
50 |
51 | 58 | 61 |
62 |
63 | 64 |
65 |
66 | 70 |
71 |
72 | 79 | 80 |
81 |
82 | 89 | 92 |
93 |
94 | 95 |
96 |
97 | 101 |
102 |
103 | 110 | 113 |
114 |
115 | 122 | 125 |
126 |
127 | 128 |
129 |
130 | 133 |
134 |
135 | 142 | 145 |
146 |
147 | 154 | 157 |
158 |
159 | 160 |
161 |
162 | 167 |
168 |
169 | 176 | 179 |
180 |
181 | 188 | 191 |
192 |
193 | 194 |
195 | 196 |
197 | 198 |
199 | 200 | 203 |
204 |
205 |
206 |
207 | 208 | 209 | --------------------------------------------------------------------------------