728x90
반응형
지도 학습(Supervised Learning)
- 훈련하기 위한 데이터와 정답이 필요하다.
- 도미와 빙어 예에서는 생선의 길이와 무게를 알고리즘에 적용
- 데이터와 정답을 입력(input)과 타깃(target)이라고 한다.
- 입력과 타깃을 합쳐 훈련 데이터(training data)라고 부른다.
- 입력으로 사용된 길이와 무게를 특성(feature)라고 한다.
- 예) k-최근접 알고리즘
테스트 세트
- 평가에 사용하는 데이터
훈련 세트
- 훈련에 사용되는 데이터
생선 길이와 무게
# 생선의 길이와 무게
fish_length = [25.4, 26.3, 26.5, 29.0, 29.0, 29.7, 29.7, 30.0, 30.0, 30.7, 31.0, 31.0,
31.5, 32.0, 32.0, 32.0, 33.0, 33.0, 33.5, 33.5, 34.0, 34.0, 34.5, 35.0,
35.0, 35.0, 35.0, 36.0, 36.0, 37.0, 38.5, 38.5, 39.5, 41.0, 41.0, 9.8,
10.5, 10.6, 11.0, 11.2, 11.3, 11.8, 11.8, 12.0, 12.2, 12.4, 13.0, 14.3, 15.0]
fish_weight = [242.0, 290.0, 340.0, 363.0, 430.0, 450.0, 500.0, 390.0, 450.0, 500.0, 475.0, 500.0,
500.0, 340.0, 600.0, 600.0, 700.0, 700.0, 610.0, 650.0, 575.0, 685.0, 620.0, 680.0,
700.0, 725.0, 720.0, 714.0, 850.0, 1000.0, 920.0, 955.0, 925.0, 975.0, 950.0, 6.7,
7.5, 7.0, 9.7, 9.8, 8.7, 10.0, 9.9, 9.8, 12.2, 13.4, 12.2, 19.7, 19.9]
생선 길이 무게 2차원 리스트로 변환
# 생선 길이 무게 2차원 리스트로 생성
fish_data = [[l,w] for l,w in zip(fish_length, fish_weight)]
fish_target = [1] * 35 + [0] * 14
사이킷런 KNeightborsClassifier 임포트
from sklearn.neighbors import KNeighborsClassifier
kn = KNeighborsClassifier()
데이터 슬라이싱 이용해 학습해보기
# 슬라이싱으로 생선 데이터 처음 35개와 나머지 14개 선택
train_input = fish_data[:35]
train_target = fish_target[:35]
test_input = fish_data[35:]
test_target = fish_target[35:]
kn = kn.fit(train_input, train_target)
kn.score(test_input, test_target)
빙어와 도미 데이터인데 빙어 데이터는 35개까지므로 평가 데이터에는 빙어 데이터가 없이 도미 데이터만 있기 때문에 0.0이 나온다.
샘플링 편향(sampling bias)
- 훈련 세트와 테스트 세트에 샘플이 골고루 섞여 있지 않으면 샘플링이 한쪽으로 치우쳤다는 의미로 샘플링 편향
파이선 리스트 넘파이 배열로 변환
# 파이썬 리스트 넘파이 배열로 변환
import numpy as np
input_arr = np.array(fish_data)
target_arr = np.array(fish_target)
print(input_arr.shape) # (샘플 수, 특성 수)출력
데이터 랜덤으로 섞기
# 데이터 랜덤으로 섞기
np.random.seed(42)# 일정한 결과를 얻으려면 초기에 랜덤 시드를 지정
index = np.arange(49)
np.random.shuffle(index)
print(index)
train_input = input_arr[index[:35]]
train_target = target_arr[index[:35]]
print(input_arr[13], train_input[0])
나머지 14개 테스트 세트 만들기
# 일치한다면 나머지 14개 테스트 세트로 만들기
test_input = input_arr[index[35:]]
test_target = target_arr[index[35:]]
도미와 빙어 데이터 산점도로 그려보기
import matplotlib.pyplot as plt
plt.scatter(train_input[:,0], train_input[:,1])
plt.scatter(test_input[:,0], test_input[:,1])
plt.xlabel('length')
plt.ylabel('weight')
plt.show()
# 파란색은 훈련 세트, 주황색은 테스트 세트
훈련 세트와 테스트 세트로 k-최근접 이웃 모델 학습
# 만든 훈련 세트와 테스트 세트로 k-최근접 이웃 모델 훈련
kn = kn.fit(train_input, train_target) # 입력, 정답
kn.score(test_input, test_target) # 테스트 입력, 테스트 정답
# 정확도 100%
predict()메서드로 예측
# predict 메서드로 테스트 세트의 예측 결과와 실제 타깃 확인
print(kn.predict(test_input))
print(test_target)
전체 소스 코드
# 전체 소스 코드
# 생선의 길이와 무게
fish_length = [25.4, 26.3, 26.5, 29.0, 29.0, 29.7, 29.7, 30.0, 30.0, 30.7, 31.0, 31.0,
31.5, 32.0, 32.0, 32.0, 33.0, 33.0, 33.5, 33.5, 34.0, 34.0, 34.5, 35.0,
35.0, 35.0, 35.0, 36.0, 36.0, 37.0, 38.5, 38.5, 39.5, 41.0, 41.0, 9.8,
10.5, 10.6, 11.0, 11.2, 11.3, 11.8, 11.8, 12.0, 12.2, 12.4, 13.0, 14.3, 15.0]
fish_weight = [242.0, 290.0, 340.0, 363.0, 430.0, 450.0, 500.0, 390.0, 450.0, 500.0, 475.0, 500.0,
500.0, 340.0, 600.0, 600.0, 700.0, 700.0, 610.0, 650.0, 575.0, 685.0, 620.0, 680.0,
700.0, 725.0, 720.0, 714.0, 850.0, 1000.0, 920.0, 955.0, 925.0, 975.0, 950.0, 6.7,
7.5, 7.0, 9.7, 9.8, 8.7, 10.0, 9.9, 9.8, 12.2, 13.4, 12.2, 19.7, 19.9]
fish_data = [[l,w] for l,w in zip(fish_length, fish_weight)]
fish_target = [1] * 35 + [0] * 14
from sklearn.neighbors import KNeighborsClassifier
kn = KNeighborsClassifier() # 객체 생성
train_input = fish_data[:35]
train_target = fish_target[:35]
test_input = fish_data[35:]
test_target = fish_target[35:]
kn = kn.fit(train_input, train_target)
kn.score(test_input, test_target)
import numpy as np
input_arr = np.array(fish_data)
target_arr = np.array(fish_target)
np.random.seed(42) # 일정한 결과를 얻으려면 초기에 랜덤 시드를 지정
index = np.arange(49)
np.random.shuffle(index)
train_input = input_arr[index[:35]]
train_target = target_arr[index[:35]]
# 일치한다면 나머지 14개 테스트 세트로 만들기
test_input = input_arr[index[35:]]
test_target = target_arr[index[35:]]
import matplotlib.pyplot as plt
plt.scatter(train_input[:,0], train_input[:,1])
plt.scatter(test_input[:,0], test_input[:,1])
plt.xlabel('length')
plt.ylabel('weight')
plt.show()
# 만든 훈련 세트와 테스트 세트로 k-최근접 이웃 모델 훈련
kn = kn.fit(train_input, train_target) # 입력, 정답
kn.score(test_input, test_target) # 테스트 입력, 테스트 정답
# predict 메서드로 테스트 세트의 예측 결과와 실제 타깃 확인
print(kn.predict(test_input))
print(test_target)
728x90
반응형
최근댓글