Intro to Machine Learning - 03. Your First Machine Learning Model

📖 Tutorial

---

Selecting Data for Modeling

여러분의 데이터셋은 멋지게 출력하기에는, 머리를 감쌀 정도로 많은 변수를 가지고 있습니다. 어떻게 하면 이 엄청난 양의 데이터를 이해할 수 있는 수준으로 줄일 수 있을까요?

우리는 직관을 사용하여 몇 가지 변수를 선택하는 것으로 시작하겠습니다. 이 후 과정에서는 변수의 우선순위를 자동으로 지정하는 통계 기법을 알아보겠습니다.

변수와 열을 선택하기 위해서는, 우선 데이터셋의 모든 열 목록을 확인해야 합니다. 이 작업은 DataFrame의 columns 속성(아래 코드의 맨 아랫 줄)으로 실행됩니다.

import pandas as pd

melbourne_file_path = '../input/melbourne-housing-snapshot/melb_data.csv'
melbourne_data = pd.read_csv(melbourne_file_path) 
melbourne_data.columns

# Melbourne data은 몇몇 결측값이 존재함 (몇몇 주택에 몇몇 값이 기록되지 않음)
# 이 후 튜토리얼에서 결측값을 처리하는 방법을 배울 예정
# 여러분이 사용하는 Iowa data의  열에는 결측값이 존재하지 않음
# 따라서 가장 간단한 옵션을 사용할 것이며, 이는 우리 데이터에서 값을 드롭할 것임.
# 지금 당장은 걱정하지 말고, 다음 코드를 실행하도록 하자:

# dropna는 결측값을 제거한다. (na를 "사용 불가능"으로 생각)
melbourne_data = melbourne_data.dropna(axis=0)

데이터의 하위 집합을 선택하는 방법은 여러 가지가 있습니다. 판다와 관련된 강의에서는 이에 대해 조금 더 자세히 다루지만, 지금은 두 가지 접근법에 초점을 맞출 것입니다.

1. 점 표기법: "예측 대상"을 선택하는데 사용한다.
2. 열 목록 선택: "특성"을 선택하는데 사용한다.

Selecting The Prediction Target

여러분은 점 표기법을 사용하여 변수를 추출할 수 있습니다. 이 하나의 열은 DataFrame과 유사한 Series 자료구조로 저장됩니다.

점 표기법을 사용하여 예측할 열을 선택합니다. 이렇게 선택한 열을 prediction target이라고 합니다. 일반적으로, prediction target을 y로 지정합니다. Melbourne data에서 주택 가격를 저장하기 위해 필요한 코드는 다음과 같습니다:

y = melbourne_data.Price

---

Choosing "Features"

모델에 입력되고 나중에 예측하는 데 사용되는 열을 "features"라고 합니다. 우리의 경우, 주택 가격을 결정하는 데 사용되는 열이 될 것입니다. 가끔, prediction target을 제외한 모든 열이 feature로 사용되는 경우도 있습니다. 때로는 적은 feature를 사용하는 것이 더 나을 수 있습니다.

지금은 몇가지 features만 사용하는 모델을 만들도록 하겠습니다. 나중에 여러분은 다양한 features로 제작된 모델을 비교하는 방법을 알 수 있을 것입니다.

괄호 안에 열 이름의 리스트를 작성하여 여러 features를 선택할 수 있습니다. 해당 항목은 따옴표에 감싸진 문자열이어야 합니다.

다음은 예시입니다:

melbourne_features = ['Rooms', 'Bathroom', 'Landsize', 'Lattitude', 'Longtitude']

일반적으로, 이 데이터를 X 라고 합니다.

X = melbourne_data[melbourne_features]

이제 describe와 head 메소드를 통해 주택 가격을 예측하는 데 사용할 데이터를 빠르게 검토해보도록 하겠습니다.

X.describe()
X.head()

이러한 명령을 사용하여 데이터를 시각적으로 확인하는 것은 데이터 과학자의 작업에서 중요한 부분입니다. 데이터셋에서 추가적인 테스트를 수행할 가치가 있는 의미있는 값을 자주 발견할 수 있습니다.

---

Building Your Model

여러분은 scikit-learn 라이브러리를 사용하여 모델을 만들 예정입니다. 샘플 코드에서 볼 수 있는 것 처럼 이 라이브러리는 sklearn 으로 작성됩니다. scikit-learn 라이브러리는 일반적으로 DataFrame에 저장된 데이터의 유형을 모델링하는 데 가장 널리 사용되는 라이브러리입니다.

모델을 만들고 사용하는 단계는 다음과 같습니다:

• Define: 어떤 유형의 모델이 필요한지 지정한다. 의사결정 트리인지 다른 유형의 모델인지 정해야 한다. 모델 유형의 다른 일부 매개 변수도 같이 지정된다.
• Fit: 제공된 데이터에서 패턴을 추출한다. 이는 모델링의 핵심이다.
• Predict: 말 그대로 예측
• Evaluate: 모델의 예측 정도가 어느정도 되는지 결정한다.

다음은 scikit-learn 라이브러리를 활용하여 의사결정 트리 모델을 정의하고 target variable과 feature로 피팅하는 예시입니다.

from sklearn.tree import DecisionTreeRegressor

# 모델을 정의. random_state에 숫자를 지정하여 실행할 때마다 동일한 결과를 보장
melbourne_model = DecisionTreeRegressor(random_state=1)

# 모델 Fitting
melbourne_model.fit(X, y)

많은 기계 학습 모델은 모델 훈련에서 약간의 무작위성을 허용합니다. random_state에 숫자를 지정하면 각 run에서 동일한 결과를 얻을 수 있습니다. 이는 좋은 관행으로 간주됩니다. 임의의 숫자를 사용하면 해당 값에 따라 모델의 품질이 크게 달라지지 않습니다.

이제 예측하는데 사용할 수 있는 피팅 모델을 만들었습니다.

연습에서, 여러분은 이미 가격이 책정된 주택보다는 시장에 나올 새로운 주택에 대한 예측을 하고 싶을 것입니다. 그러나, 여기에서는 예측 함수가 어떻게 작동하는지 보기 위해서 학습데이터의 처음 몇 행에 대한 예측을 수행할 것입니다.

print("다음 5개 주택에 대한 예측을 진행할 것입니다:")
print(X.head())
print("예측 값은:")
print(melbourne_model.predict(X.head()))

Your Turn

여기에서 여러분 스스로 예제를 수행하십시오.