생선 데이터, 렌덤으로 섞기 numpy, KNeighborsClassifier

KNeighborsClassifier

k-최근접 이웃 모델을 이용하여 머신러닝을 진행해보겠습니다.

 

fish_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, 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]

fish_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, 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]

#2차원 리스트로 만들기

fish_data = [[l, w] for l, w in zip(fish_length, fish_weight)]

fish_target = [1]*35 + [0]*14

먼저 학습데이터와 평가를 위한 테스트 데이터로 분류를 해보겠습니다.

 

#샘플링 편향방지를 위해 데이터를 섞어서 학습 -> 테스트

import numpy as np

input_arr = np.array(fish_data)

target_arr = np.array(fish_target)

print(input_arr.shape)

print(fish_target)

(49, 2) [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]

 

렌덤하게 섞어주어야 편향없이 학습됩니다.

#렌덤 함수만들기

np.random.seed(43) #43번으로 지정하여 동일한 값을 얻을 수 있도록 작성

index = np.arange(49)

np.random.shuffle(index)

print(index)

[ 6 26 33 13 14 38 18 31 22 5 40 44 7 19 36 8 28 20 32 9 43 10 39 15 24 12 41 45 29 48 46 3 42 37 34 1 25 11 35 47 23 30 2 27 17 16 21 0 4]

 

print(input_arr[[2,6]])

[[ 26.5 340. ] [ 29.7 500. ]]

 

35개의 훈련데이터 만들기

#train 35개

train_input = input_arr[index[:35]]

train_target = target_arr[index[:35]]

print(input_arr[6],train_input[0])

[ 29.7 500. ] [ 29.7 500. ]

 

14개의 테스트 데이터 만들

#test 14개

test_input = input_arr[index[35:]]

test_target = target_arr[index[35:]]

print(test_input.shape)

(14, 2)

 

import matplotlib.pyplot as plt

plt.scatter(train_input[:,0], train_input[:,1])

plt.scatter(test_input[:,0], test_input[:,1])

plt.xlabel('length')

plt.ylabel('weight')

plt.show()

from sklearn.neighbors import KNeighborsClassifier

kn = KNeighborsClassifier()

kn.fit(train_input, train_target)

kn.score(test_input, test_target)

1.0

 

kn.predict(test_input)

array([1, 1, 1, 0, 0, 1, 1, 1, 1, 1, 1, 1, 1, 1])

 

test_target

array([1, 1, 1, 0, 0, 1, 1, 1, 1, 1, 1, 1, 1, 1])

 

잘 맞추는군요 ㅋㅋ