1

머신러닝은 스스로 기준을 찾아서 일을 한다

 

머신러닝에서 여러 개의 종류(클래스) 중 하나를 구별해 내는 문제를 분류(classification)이라고 부르고 2개의 클래스 중 하나를 분류하는 것은 이진분류(binary classification)이라고 함

+여기서 클래스란 python에서의 클래스와는 다른 것임

 

첫 번째 예제로 도미와 빙어의 산점도 그리기를 해보겠다

산점도란 

x, y축으로 이루어진 좌표계에 두 변수(x, y)의 관계를 표현하는 방법임

맷플롯립 함수 scatter()를 사용해 그림

 

1. 도미 데이터와 빙어 데이터

우리는 도미와 빙어의 특징을 길이와 무게로 표현했는데 이런 특징을 특성(feature)이라고 부름

 

두 번째 예제로 k-최근접 이웃 알고리즘을 사용해 도미와 빙어 데이터를 구분해보겠다

K-최근접 이웃 알고리즘: 어떤 데이터에 대한 답을 구할 때 주위의 다른 데이터를 보고 다수를 차지하는 것을 정답으로 사용하는 알고리즘

bream_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] bream_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] smelt_length = [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] smelt_weight = [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] length = bream_length + smelt_length weight = bream_weight + smelt_weight fish_data = [[l, w] for l, w in zip(length, weight)] //zip함수를 사용해 2차원 리스트로 만듦 fish_target = [1] * 35 + [0] * 14 //target data 생성 from sklearn.neighbors import KNeighborsClassifier //K-최근접 이웃 알고리즘을 구현한 클래스를 임포트함 kn = KNeighborsClassifier() //객체를 생성 kn.fit(fish_data, fish_target) //fish_data와 fish_target을 전달해 훈련(training)시킴. fit() 메서드 사용 kn.score(fish_data, fish_target) //객체 kn이 얼마나 잘 훈련됐는지 모델을 평가하는 메서드 score()을 사용. 이 값을 정확도(accuracy)라고 부름 kn.predict([[30, 600]]) //array([1]) -> 도미라고 예측, predict()는 값을 예측하는 메서드임

+모델: 머신러닝 알고리즘을 구현한 프로그램을 일컫는 말, 프로그램이 아니더라도 알고리즘을 구체화해 표현한 것을 모델이라고 부름