Notes

resim_boyutu = 224 # özellik çıakrma modelleri giriş verisi olarak 224*224*3 bıyutunda veri almaktadır
kanal_sayisi = 3 # 1: Grayscale, 3: RGB
etiket_sayisi = 2 # sınıf sayısı
test_verisi_orani = 0.3 # %20 test
resimler_klasoru = '/content/drive/MyDrive/ms/dinamik_son'
veriseti_klasoru = '/content/drive/MyDrive/ms_data_son'

def resmi_al(resimler_klasoru):
resim = imread(resimler_klasoru, flatten= True if kanal_sayisi == 1 else False)
resim = imresize(resim, (resim_boyutu, resim_boyutu, kanal_sayisi))
return resim


etiketler = listdir(resimler_klasoru)
X, Y = [], []
for i, etiket in enumerate(etiketler):
etiket_klasoru = resimler_klasoru+'/'+etiket

for resim_adi in listdir(etiket_klasoru):
resim = resmi_al(etiket_klasoru+'/'+resim_adi)
X.append(resim)
Y.append(i)
X=np.array(X)
Y=np.array(Y)
X = np.where(X>254,0,X)
import numpy as np
import matplotlib.pyplot as plt
if not os.path.exists(veriseti_klasoru+'/'):
os.makedirs(veriseti_klasoru+'/')

from keras.applications import *
from keras.models import Model

model_vgg16 = VGG16(weights='imagenet', include_top=True, input_shape=(224,224,3))
model_vgg16 = Model(inputs=model_vgg16.inputs, outputs=model_vgg16.layers[-3].output)
for layer in model_vgg16.layers:
layer.trainable = False
#print('Layer ' + layer.name + ' frozen.')
model_vgg16.summary()

import pandas as pd
data_vgg16 = pd.DataFrame(columns=["x","target"])
size, a,b,c = X.shape
for i in range(size):
data_vgg16.loc[i]=[model_vgg16.predict(X[i].reshape(1,224,224,3)),int(Y[i])]
#print(x1[i])
data_vgg16.head()
#data_vgg16.tail()


X_train, X_test, y_train, y_test = train_test_split(np.array(data_vgg16.x.tolist()).reshape(X.shape[0],4096), Y, test_size = 0.15,random_state=23)
print(y_test.shape[0])
y_test.sum()

from sklearn.svm import SVC
svclassifier = SVC(kernel = "linear")
svclassifier.fit(X_train, y_train)
y_pred = svclassifier.predict(X_test)
from sklearn.metrics import classification_report, confusion_matrix
print(confusion_matrix(y_test,y_pred))
print(classification_report(y_test,y_pred))
import seaborn as sns
sns.heatmap(confusion_matrix(y_test,y_pred), annot=True)
sns.heatmap(confusion_matrix(y_test,y_pred)/np.sum(confusion_matrix(y_test,y_pred)), annot=True,
fmt='.2%', cmap='Blues')

fig=plt.figure(figsize=(10,8))
columns = 6
rows = 3
for i in range(1, columns*rows +1):
img = X[i*8]
ax=fig.add_subplot(rows, columns, i)
label = ""
if i*11>100:
label="Sağlıklı"
else:
label="MS Hastası"
ax.title.set_text(label)
plt.imshow(img)
plt.savefig("deneme.png")
plt.show()