| 🍷 Wine Quality Prediction - Proje Özeti | |
| 📌 Proje Amacı: | |
| Kimyasal bileşenlerine göre kırmızı şarabın kalitesini sınıflandırmak. | |
| 🎯 Veri Seti: | |
| - Kaynak: UCI Wine Quality Dataset | |
| - Satır: 1599 | |
| - Sütun: 12 (11 özellik + 1 hedef: quality) | |
| --- | |
| 🏆 Önde Gelen Projelerde Uygulanan Yöntemler: | |
| 1. Veri Temizleme: | |
| - Eksik değerler kontrol edildi. | |
| - Aykırı değerler (outliers) IQR yöntemi ile çıkarıldı. | |
| 2. Özellik Mühendisliği: | |
| - Korelasyon analizi ile düşük etkili özellikler çıkarıldı. | |
| - Özellikler StandardScaler / MinMaxScaler ile ölçeklendirildi. | |
| 3. Hedef Dönüşümü: | |
| - Kalite: 0–10 → Binary (Good/Bad) ya da 3 sınıf (Low/Medium/High) | |
| 4. Modelleme: | |
| - Modeller: Random Forest, XGBoost, SVM, KNN | |
| - Sınıf dengesizliği için SMOTE uygulandı. | |
| - Doğruluk oranı %90+ modeller geliştirildi. | |
| 5. Uygulama ve Yayın: | |
| - Flask/Streamlit ile arayüz | |
| - Hugging Face / Render gibi platformlara model yükleme | |
| --- | |
| ✅ Bizim Gerçekleştirdiğimiz Adımlar: | |
| 1. Veri Yükleme ve EDA: | |
| - Veri başarıyla yüklendi | |
| - Korelasyon matrisi ve dağılımlar incelendi | |
| 2. Hedef Dönüşümü: | |
| - quality → quality_label (low, medium, high) şeklinde 3 sınıfa ayrıldı | |
| 3. Modelleme: | |
| - Veriler train/test olarak ayrıldı (stratify ile) | |
| - StandardScaler ile ölçekleme yapıldı | |
| - RandomForestClassifier ile eğitim yapıldı (%85+ başarı) | |
| 4. Model Kaydı: | |
| - Model ve scaler `.pkl` dosyası olarak kaydedildi | |
| 5. Streamlit Uygulaması: | |
| - Kullanıcı arayüzü ile tahmin aracı geliştirildi | |
| 6. Hugging Face: | |
| - Model, scaler ve örnek giriş dosyaları yüklendi | |
| - README.md ile birlikte açıklamalar eklendi | |
| --- | |
| 📊 Karşılaştırmalı Özet: | |
| Aşama | Önde Gelen Projeler | Bizim Uygulama | |
| --------------------|----------------------------------|------------------------------ | |
| Veri Temizleme | Aykırı değer çıkarıldı | Bu adım atlandı | |
| Özellik Seçimi | Düşük etkili özellik çıkarıldı | Tüm özellikler kullanıldı | |
| Hedef Dönüşümü | Binary ya da 3 sınıf | 3 sınıf (low, medium, high) | |
| Modelleme | XGBoost, SVM, RF, KNN | Random Forest | |
| Sınıf Dengeleme | SMOTE uygulandı | Uygulanmadı | |
| Model Yayını | Flask, Render, HF | Streamlit + Hugging Face | |
| --- | |
| 🔍 Geliştirme Önerileri: | |
| - Aykırı değer analizi eklenebilir | |
| - Özellik seçimi iyileştirilebilir | |
| - Alternatif modeller (XGBoost, SVM) denenebilir | |
| - SMOTE gibi tekniklerle sınıf dengesi artırılabilir | |