편집
1,408
번
바뀜
→랜덤 포레스트
==개요==
==개요==
사이킷런으로 랜덤포레스트를 만들 수 있다.
사이킷런으로 랜덤포레스트를 만들 수 있다.
==랜덤 포레스트==
==방법==
{| class="wikitable"
{| class="wikitable"
!절차
!절차
!방법
!방법
|-
|-
|패키지 불러오기 및 데이터 정리
|데이터 정리
|
|데이터를 불러오고 정리한다.
|<syntaxhighlight lang="python">
|<syntaxhighlight lang="python">
import pandas as pd
file_path = "..path"
data = pd.read_csv(file_path) # 필요한 자료를 불러온다. 혹은 df자료를 만든다.
data = data.dropna(axis=0) # 해당 축에 대해 빈 자료가 있는 행을 버린다.
</syntaxhighlight>
|-
|예측할 데이터 선정
|어떤 값을 예측할지 판단 근거와 분리한다.
|<syntaxhighlight lang="python">
# 레이블 만들기.
y = data.판단할열 # 판단결과가 될 열을 지정한다.(해당 열을 시리즈로 반환.)
# 근거데이터 만들기.
features = ['열1', '열2', ...] # 판단할 자료가 될 열을 지정한다.
x = data[features] # 판단근거를 준비한다.
</syntaxhighlight>데이터프레임을 활용하는 경우.(열 이름을 사용해 분리하는 게 가장 간단하고 직관적이다.)
</syntaxhighlight>데이터프레임을 활용하는 경우.(열 이름을 사용해 분리하는 게 가장 간단하고 직관적이다.)
|-
|-
|학습
|패키지 불러오기 및 데이터 입력
|일반적으로 machine이라는 이름보다,
+ 학습
|데이터를 입력한다.
일반적으로 machine이라는 이름보다,
classifier의 약자인 clf를 주로 쓴다.
classifier의 약자인 clf를 주로 쓴다.
|<syntaxhighlight lang="python">
|<syntaxhighlight lang="python">
machine = RandomForestClassifier() # 객체 지정
from sklearn.enssemble import RandomForestClassifier
machine.fit(data, label) # 데이터와 레이블 지정
</syntaxhighlight>
machine = RandomForestClassifier(random_state=13) # 객체 지정
|}이후 사용법은 위와 같다.
machine.fit(data, label) # 데이터와 레이블 지정하여 학습 실행.
</syntaxhighlight>machine에 대해 다양한 파라미터가 있는데, 이는 상황에 따라 활용.
|-
|예측
|판단근거를 넣어주면 예측값을 돌려준다.
|<syntaxhighlight lang="python">
data_for_predict = df..... # 위에서 만든 판단근거와 동일한 형태의 df를 넣어준다.
machine.predict(data_for_predict)
</syntaxhighlight>가격을 예측할 때 넣는 판단근거의 df는 1행만 넣어주면 되고, 여러 행을 넣으면 리스트로 결과가 반환된다.
|}
[[분류:랜덤포레스트]]
[[분류:랜덤포레스트]]
[[분류:Scikit-learn]]
[[분류:Scikit-learn]]