편집
1,419
번
바뀜
→기초 사용법
== 개요 ==
== 개요 ==
사이킷런. 파이썬 머신러닝 라이브러리의 기준 격인 라이브러리.
사이킷런. 파이썬 머신러닝 라이브러리의 기준 격인 라이브러리.
기계학습을 구현하는데 필요한 대부분의 기능을 담고 있다.
== 사용 ==
== 사용 ==
|훈련데이터와 테스트데이터 분리
|훈련데이터와 테스트데이터 분리
|귀찮은 일을 모듈이 해준다.
|귀찮은 일을 모듈이 해준다.
{| class="wikitable"
|+자주 사용하는 옵션
!의도
!설명
|-
|stratify=df['해당열']
|범주별 비율을 비슷하게 맞춰 데이터를 분리한다.
(원 데이터에서 하나의 범주만 너무 많거나 적은 경우 사용하여 비율을 지킨다.)
|}
|<syntaxhighlight lang="python">
|<syntaxhighlight lang="python">
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)
train_x, test_x, train_y, test_y = train_test_split(data, label, test_size=0.2, train_size=0.8, ,random_state=1)
</syntaxhighlight>random_state는 random함수의 seed값을 고정하여 매번 같은 데이터를 얻게 하기 위함.(test용, 교육용에서 채점 등에 사용. 모델이 랜덤한 효과로 좋아지지 않도록.)
</syntaxhighlight>random_state는 random함수의 seed값을 고정하여 매번 같은 데이터를 얻게 하기 위함.(test용, 교육용에서 채점 등에 사용. 모델이 랜덤한 효과로 좋아지지 않도록.)
일반적으로 이 대신 test_size=0.2 를 사용한다.(20%가 test 데이터로)
일반적으로 이 대신 test_size=0.2 를 사용한다.(20%가 test 데이터로)(전체 값이 1이 아닌지, train_size와 같이 넣는다.)
|-
|-
|학습한 매개변수 저장하기
|학습한 매개변수 저장하기
|}
|}
= 결측치 처리 =
{| class="wikitable"
!방법
!설명
|-
|DataFrame을 사용하는 경우
|[[결측치 다루기:pandas]] 문서를 참고하자.
|}
= 모델 검증 =
= 모델 검증 =
{| class="wikitable"
{| class="wikitable"
print("정답률 : ", right/total)
print("정답률 : ", right/total)
</syntaxhighlight>간단하게 모듈을 사용할 수도 있다.<syntaxhighlight lang="python">
</syntaxhighlight>간단하게 모듈을 사용할 수도 있다.<syntaxhighlight lang="python">
from sklearn import metrics # 추가로 가져온다.
from sklearn.metrics import accuracy_score # 추가로 가져온다.
score = metrics.accuracy_score(label, pre) # 레이블과 예측값을 넣는다.
score = accuracy_score(label, pre) # 레이블과 예측값을 넣는다.
print('정답률 : ', score)
print('정답률 : ', score)
</syntaxhighlight>
</syntaxhighlight>
|}
|}
== SVM 알고리즘 ==
== SVM 알고리즘 ==
사용할 수 있는 SVM 알고리즘은 다음과 같다. 객체를 만들 때 알고리즘 이름만 바꾸어주면 된다.
사용할 수 있는 SVM 알고리즘은 다음과 같다. 객체를 만들 때 알고리즘 이름만 바꾸어주면 된다.
|}
|}
[[분류:머신러닝 라이브러리]]
[[분류:머신러닝 라이브러리]]
[[분류:Scikit-learn]]