sckit-learn

sckit-learn 특징

• 다양한 머신러닝 파이썬 라이브러리
• 머신러닝 개발을 위한 프레임워크와 API 제공

scikit-learn 주요 모듈

API 사용방법

1. Scikit-Learn으로부터 적절한 estimator class import하여 모델의 class 선택
2. class를 원하는 값으로 인스턴스화해서 모델의 하이퍼파라미터 선택
3. 데이터를 특징 배열과 대상 벡터로 배치
4. 모델 인스턴스의 fit() 메서드를 호출해 모델을 데이터에 적합
5. 모델을 새 데이터에 대해서 적용

• 지도 학습 : 대체로 predict()메서드 사용해 예측

• 비지도 학습 : 대체로 transform()이나predict()메서드 사용해 데이터 속성 변환, 추론

  

API 사용 예제

# 1. 적절한 estimator 클래스를 임포트해서 모델의 클래스 선택
from sklearn.linear_model import LinearRegression

# 2. 클래스를 원하는 값으로 인스턴스화해서 모델의 하이퍼파라미터 선택
model = LinearRegression(fit_intercept=True)

# 3. 데이터를 특징 배열과 대상 벡터로 배치
X = x[:, np.newaxis]

# 4. 모델 인스턴스의 fit() 메서드를 호출해 모델을 데이터에 적합
model.fit(X, y)

# 5. 모델을 새 데이터에 대해서 적용
xfit = np.linspace(-1, 11)
Xfit = xfit[:, np.newaxis]
yfit = model.predict(Xfit)

model_selection모듈

• 학습용 데이터와 테스트 데이터로 분리

• 교차 검증 분할 및 평가

• train_test_split() : 학습/테스트 데이터 세트로 분리

  from sklearn.model_selection import train_test_split
  
  # test_size = 분리 비율
  X_train, X_test, y_train, y_test = train_test_split(data, target, test_size=0.3)

• cross_val_score() : 교차 검증

  from sklearn.model_selection import cross_val_score, cross_validate
  
  # cv= 데이터 분할 방법 
  scores = cross_val_score(model, data, target, cv=5)

• GridSearchCV() : 교차 검증과 최적 하이퍼 파라미터 찾기

  • 잠재적 파라미터 후보군들의 조합 중에서 가장 best조합을 찾아줌

from sklearn.model_selection import GridSearchCV

alpha = [0.001, 0.01, 0.1, 1, 10, 100, 1000]
param_grid = dict(alpha=alpha)

# estimator = 모델 객체
# param_grid = 탐색하려는 하이퍼 파라미터 그리드
# scoring = 모델 성능 평가 지표
# cv = 데이터 분할 방법
gs = GridSearchCV(estimator=Ridge(), param_grid=param_grid, scoring ='accuracy', cv=10)
result = gs.fit(data, target)

데이터 전처리 모듈

StandardScaler : 표준화 클래스

from sklearn.preprocessing import StandardScaler

scaler = StandardScaler()
iris_scaled = scaler.fit_transform(iris_df)

MinMaxScaler : 정규화 클래스

from sklearn.preprocessing import MinMaxScaler

scaler = MinMaxScaler()
iris_scaled = scaler.fit_transform(iris_df)

성능 평가 지표

오차 행렬

from sklearn.metrics import confusion_matrix

confmat = confusion_matrix(y_true =y_test, y_pred=predict)

정확도(Accuracy)

전체 예측 데이터 건수 중 예측 결과가 동일 데이터 건수

from sklearn.metrics import accuracy_score

score = accuracy_score(y_test,predict)

정밀도와 재현율

from sklearn.metrics import precision_score, recall_score

precision = precision_score(y_test, predict)
recall = recall_score(y_test, predict)

F1 Score(F-measure)

• 정밀도와 재현율의 조화평균
  

from sklearn.metrics import f1_score

f1 = f1_score(y_test, predict)