IrisFlower 학습

목표

• 붓꽃의 꽃잎 갈이, 꽃잎 너비, 꽃받침 길이, 꽃받침 머비 특징을 활용해 3가지 품종을 분류해보자

• KNN모델의 이웃의 숫자를 조절해보자

• petal: 꽃잎/sepal: 꽃받침 🌸🌺

#사이킷런에서 제공하는 데이터 세트 생성하는 모듈
from sklearn.datasets import load_iris
iris_data = load_iris()
iris_data #Bunch 클래스 객체(dictionary와 유사함)

# iris_dataset의 키 값
iris_data.keys()

# DESCR키에는 데이타셋에 대한 설명
print(iris_data['DESCR'])

# target_names: 정답/예측한고자 하는 붓꽃 품종의 이름을 문자열 배열로 가자고데이터
print(iris_data['target_names'])

#feature_names: 각 특성을 설명하는 문자열
iris_data['feature_names']

# 꽃잎의 길이, 푹, 꽃받침의 길이, 묵->2차원numpy배열의 형태
iris_data['data']

# target값 1차원 numpy배열
#0은 setoda 1은 versocolor , 2는 virginica
iris_data['target']

datasets 구성하기

• 문제와 답 데이터 분리
• 훈련세트와 평가 세트로 분리
  • 훈련세트/데이터: 머신러닝 모델을 학습할 때 사용
  • 평가세트/데이터: 모델이 얼마나 잘 작동하는지 특정하는데 사용

# library import
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from sklearn.model_selection import train_test_split #데이터mixed up
# 사이킥런 library 가져오기
from sklearn.neighbors import KNeighborsClassifier
from sklearn import metrics
plt.rcParams['font.family']='Malgun Gothic'

#문자데이터 2차원 데이터프레임 생성
#columns name 설장
iris_df = pd.DataFrame(iris_data['data'],columns = ['sepal length (cm)','sepal width (cm)',
 'petal length (cm)',
 'petal width (cm)'])
iris_df

#문제와 답데이터 분리
x = iris_df.values
y = iris_data['target']

#훈련세트와 평가세트로 분리
#train_test_split:데이터를 나누기 전에 유사 난수 생성기를 사용해
#데이터셋을 무작위로 섞어준다 train: 70% test 30%
x_train,x_test,y_train,y_test=train_test_split(x,y,
                       test_size = 0.3,random_state = 65)
# random_state 메개변수: 함수를 실행해도 결과가 똑같이 나오게 된다
#훈련용 세트 크기 확인
print(x_train.shape)
print(y_train.shape)
print(x_test.shape)
print(y_test.shape)

#model생성
knn = KNeighborsClassifier(n_neighbors = 3)

#훈련/학습
# 모델명.fit(훈련용 문제,훈련용 답)
knn.fit(x_train,y_train)

#예측
#모델명.predict(테스트용 문제)
pre =knn.predict(x_test)
pre

#평가하기
metrics.accuracy_score(pre,y_test)