혼공머신 Ch1
인공지능이란? 사람처럼 학습하고 추론할 수 있는 지능을 가진 시스템
머신러닝이란? 규칙을 부여하지 않아도 자동으로 데이터에서 규칙을 학습하는 알고리즘 연구 분야로 인공지능(AI)의 하위 분야 중 지능을 구현하기위한 소프트웨어 분야
딥러닝은? 머신러닝 알고리즘 중 인공신경망을 기반으로 한 방법을 통칭
인공지능 > 머신러닝 > 딥러닝 으로 인공지능이 상위개념 딥러닝이 하위개념
머신러닝 알고리즘이 데이터에서 규칙을 찾는 과정을 '훈련'이라고 한다. 사이킷런에서는 fit() 메서드가 하는 역할
k-최근접 이웃 알고리즘은 가장 간단한 머신러닝 알고리즘 중 하나이다. (사실 어떤 규칙을 찾기보다는 전체 데이터를 메모리에 가지고 있는 것이 전부이다.)
matplotlib
- scatter() 는 산점도를 그리는 맷플롯립 함수. 이 값은 파이썬 리스트 또는 넘파이 배열
scikit-learn
- KNeighborsClassifier() 는 k-최근접 이웃 분류 모델을 만드는 사이킷런 클래스.
-> n_neighbors 매개변수로 이웃의 개수를 지정 (기본값은 5이다)
-> 새로운 데이터에 대해 예측할 때는 가장 가장 가까운 직선거리에 어떤 데이터가 있는지를 살피기만 하면된다.
-> 단점은 k-최근접 이웃 알고리즘의 이런 특징 때문에 데이터가 아주 많은 경우 사용하기가 어렵다.(데이터가 크기 때문에 메모리가 많이 필요하고 직선거리를 계산하는 데도 많은 시간이 필요함)
-> p 매개변수로 거리를 재는 방법을 지정한다. 1일 경우 맨해튼 거리 / 2일 경우 유클리디안 거리 사용 (기본값은 2이다)
-> n_jobs 매개변수로 사용할 CPU 코어 지정 가능. -1로 설정하면 모든 CPU코어 사용 (이웃 간의 거리 계산 속도를 높일 수 있지만 fit() 매서드에는 영향 없음. 기본값은 1이다)
-
fit() 은 사이킷런 모델을 훈련할 때 사용하는 메서드이다. 처음 두 매개변수로 훈련에 사용할 특성과 정답 데이터를 전달.
-
predict() 는 사이킷런 모델을 훈련하고 예측할 때 사용하는 메서드이다. 특성 데이터 하나만 매개변수로 받는다.
-
score() 는 훈련된 사이킷런 모델의 성능을 측정한다. 처음 두 매개변수로 특성과 정답 데이터를 전달한다. 이 메서드는 먼저 predict() 메서드로 예측을 수행한 다음 분류 모델일 경우 정답과 비교하여 올바르게 예측한 개수의 비율을 반환한다.
#소스코드 & 예제
머신러닝을 배우기 앞서 기본적인 예시로 생선 분류 문제를 보여준다.
import matplotlib.pyplot as plt
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]
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]
책좀 똑바로 읽자...
plt.scatter(bream_length, bream_weight)
plt.xlabel('length')
plt.ylabel('weight')
plt.show()
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]
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]
plt.scatter(bream_length, bream_weight)
plt.scatter(smelt_weight, smelt_length)
plt.xlabel('weight')
plt.ylabel('length')
plt.show()
length = bream_length + smelt_length
weight = bream_weight + smelt_weight
fish_data = [[l, w] for l, w in zip(length, weight)]
fish_target = [1] 35 + [0] 14
print(fish_target)
from sklearn.neighbors import KNeighborsClassifier
kn = KNeighborsClassifier()
kn.fit(fish_data, fish_target)
kn.score(fish_data, fish_target)
kn.predict([[30, 600]])
kn49 = KNeighborsClassifier(n_neighbors = 49)
kn49.fit(fish_data, fish_target)
kn49.score(fish_data, fish_target)
모든 생선 데이터를 사용해 예측하므로 어떤 경우에도 무조건 도미로 예측
35/49 = 0.7142857142857143
