목표
1회차: 7/2 19:00 ~ 22:00
계획: 딥러닝 교재 Chapter1 학습, (시간이 남을 시 파이썬 복습)
결과
개념정리
인공지능
- 사람처럼 학습하고 추론할 수 있는 지능을 가진 시스템을 만드는 기술
- 강인공지능과 약인공지능으로 나눌 수 있음
머신러닝
- 규칙을 프로그래밍하지 않아도 자동으로 데이터에서 규칙을 학습하는 알고리즘을 연구
- 대표적인 라이브러리로 사이킷런이 있음
딥러닝
- 인공 신경망
- 대표적인 라이브러리로 텐서플로와 파이토치가 있음
특성
- 데이터를 표현하는 하나의 성질
- e.g. 생선의 길이와 무게
훈련
- 머신러닝 알고리즘이 데이터에서 규칙을 찾는 과정
- 사이킷런에서 fit 메서드
k-최근접 이웃 알고리즘
- 가장 간단한 머신러닝 알고리즘 중 하나
- 규칙을 찾기보다는 전체 데이터를 메모리에 갖고 있는 느낌
모델
- 머신러닝 프로그램에서 알고리즘이 구현된 객체
- 알고리즘 자체를 일컫기도 함
정확도
- 정확한 답을 몇 개 맞혔는지를 백분율로 나타낸 값
- 사이킷런에서는 0~1 사이 값으로 출력됨
실습
코드
import matplotlib.pyplot as plt
from sklearn.neighbors import KNeighborsClassifier
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]
plt.scatter(bream_length, bream_weight)
plt.xlabel('length')
plt.ylabel('weight')
plt.show()
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]
plt.scatter(bream_length, bream_weight)
plt.scatter(smelt_length, smelt_weight)
plt.xlabel('length')
plt.ylabel('weight')
plt.show()
length = bream_length+smelt_length
weight = bream_weight+smelt_weight
fish_data = [[l, w] for l, w in zip(length, weight)]
print(fish_data)
fish_target = [1]*35 + [0]*14
print(fish_target)
kn = KNeighborsClassifier()
kn.fit(fish_data, fish_target)
kn.score(fish_data, fish_target)
plt.scatter(bream_length, bream_weight)
plt.scatter(smelt_length, smelt_weight)
plt.scatter(30, 600, marker='^')
plt.xlabel('length')
plt.ylabel('weight')
plt.show()
kn.predict([[30, 600]])
print(kn._fit_X)
print(kn._y)
kn49 = KNeighborsClassifier(n_neighbors=49)
kn49.fit(fish_data, fish_target)
kn49.score(fish_data, fish_target)
print(35/49)출력
[[25.4, 242.0], [26.3, 290.0], [26.5, 340.0], [29.0, 363.0], [29.0, 430.0], [29.7, 450.0], [29.7, 500.0], [30.0, 390.0], [30.0, 450.0], [30.7, 500.0], [31.0, 475.0], [31.0, 500.0], [31.5, 500.0], [32.0, 340.0], [32.0, 600.0], [32.0, 600.0], [33.0, 700.0], [33.0, 700.0], [33.5, 610.0], [33.5, 650.0], [34.0, 575.0], [34.0, 685.0], [34.5, 620.0], [35.0, 680.0], [35.0, 700.0], [35.0, 725.0], [35.0, 720.0], [36.0, 714.0], [36.0, 850.0], [37.0, 1000.0], [38.5, 920.0], [38.5, 955.0], [39.5, 925.0], [41.0, 975.0], [41.0, 950.0], [9.8, 6.7], [10.5, 7.5], [10.6, 7.0], [11.0, 9.7], [11.2, 9.8], [11.3, 8.7], [11.8, 10.0], [11.8, 9.9], [12.0, 9.8], [12.2, 12.2], [12.4, 13.4], [13.0, 12.2], [14.3, 19.7], [15.0, 19.9]][1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0]
[[ 25.4 242. ]
[ 26.3 290. ]
[ 26.5 340. ]
[ 29. 363. ]
[ 29. 430. ]
[ 29.7 450. ]
[ 29.7 500. ]
[ 30. 390. ]
[ 30. 450. ]
[ 30.7 500. ]
[ 31. 475. ]
[ 31. 500. ]
[ 31.5 500. ]
[ 32. 340. ]
[ 32. 600. ]
[ 32. 600. ]
[ 33. 700. ]
[ 33. 700. ]
[ 33.5 610. ]
[ 33.5 650. ]
[ 34. 575. ]
[ 34. 685. ]
[ 34.5 620. ]
[ 35. 680. ]
[ 35. 700. ]
[ 35. 725. ]
[ 35. 720. ]
[ 36. 714. ]
[ 36. 850. ]
[ 37. 1000. ]
[ 38.5 920. ]
[ 38.5 955. ]
[ 39.5 925. ]
[ 41. 975. ]
[ 41. 950. ]
[ 9.8 6.7]
[ 10.5 7.5]
[ 10.6 7. ]
[ 11. 9.7]
[ 11.2 9.8]
[ 11.3 8.7]
[ 11.8 10. ]
[ 11.8 9.9]
[ 12. 9.8]
[ 12.2 12.2]
[ 12.4 13.4]
[ 13. 12.2]
[ 14.3 19.7]
[ 15. 19.9]][1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0
0 0 0 0 0 0 0 0 0 0 0 0]
0.7142857142857143
패키지 및 함수
scickit-learn 패키지
kNeighborsClassifier(n_neighbors, p, n_jobs)
- k-최근접 이웃 분류 모델을 만드는 사이킷런의 클래스
- n_neighbors: 이웃의 개수를 지정하며 기본값은 5
- p: 거리를 재는 방법을 지정, 1일 때 맨해튼 거리, 2일 때 유클리디안 거리를 사용, 기본값은 2
- n_jobs: 사용할 CPU 코어의 수, -1이면 모든 CPU 코어를 사용, 이웃 간 거리 계산 속도를 높일 수 있지만 fit 메서드에는 영향이 없음, 기본값은 1
fit()
- 사이킷런 모델을 훈련할 때 사용하는 메서드
- 처음 두 매개변수로 훈련에 사용할 특성과 정답 데이터를 전달
predict()
- 사이킷런 모델을 훈련하고 예측할 때 사용하는 메서드
- 특성 데이터 하나만 매개변수로 받음
score()
- 훈련된 사이킷런 모델의 성능을 측정
- 처음 두 매개변수로 특성과 정답 데이터를 전달
- predict() 메서드로 예측을 수행한 후 다음 분류 모델일 경우 정답과 비교해 올바르게 예측한 개수의 비율을 반환
