편집
1,408
번
바뀜
→기초 사용법
=== 기초 사용법 ===
=== 기초 사용법 ===
일반적으로 판단근거를 data, 판단결과를 label이라 구분하여 사용한다. 혹은 함수의 형태를 본따 x, y로.
{| class="wikitable"
{| class="wikitable"
!의도
!의도
from sklearn.model_selection import train_test_split
from sklearn.model_selection import train_test_split
train_x, test_x, train_y, test_y = train_test_split(data, label, random_state=1)
</syntaxhighlight>random_state는 random함수의 seed값을 고정하여 매번 같은 데이터를 얻게 하기 위함.(test용, 교육용에서 채점 등에 사용.)
</syntaxhighlight>간단하게 모듈을 사용할 수도 있다.<syntaxhighlight lang="python">
일반적으로 이 대신 test_size=0.2 를 사용한다.(20%가 test 데이터로)
|-
|-
|학습한 매개변수 저장하기
|학습한 매개변수 저장하기
</syntaxhighlight>
</syntaxhighlight>
|}
|}
= 모델 검증 =
{| class="wikitable"
!방법
!설명
|-
|평균 에러정도 검증
|<syntaxhighlight lang="python">
from sklearn.metrics import mean_absolute_error
data = df..... # 예상에 쓰일 df.
y = data.판단할열 # 실제 결과
# 근거데이터 만들기.
features = ['열1', '열2', ...] # 판단할 자료가 될 열을 지정한다.
x = data[features] # 판단근거를 준비한다.
predict = machine.predict(data) # 결과 예상하기.
mean_absolute_error(y, predict) # 예상결과와 실제값을 비교하여 평균 에러를 반환한다.
</syntaxhighlight>둘 사이의 차이를 구하는 함수로, 순서는 달라져도 상관 없다.
|-
|정답률 검증
|<syntaxhighlight lang="python">
right =0; total =0
for idx, answer in enumerate(label): # 레이블의 인덱스를 얻는다.
p = pre[idx] # 인덱스값에 해당하는 예측값.
if p = answer: right += 1 # 정답과 일치한다면 right에 하나 추가.
total += 1
print("정답률 : ", right/total)
</syntaxhighlight>간단하게 모듈을 사용할 수도 있다.<syntaxhighlight lang="python">
from sklearn import metrics # 추가로 가져온다.
score = metrics.accuracy_score(label, pre) # 레이블과 예측값을 넣는다.
print('정답률 : ', score)
</syntaxhighlight>
|}
== SVM 알고리즘 ==
== SVM 알고리즘 ==