Scikit-learn
둘러보기로 가기
검색하러 가기
1 개요
사이킷런. 파이썬 머신러닝 라이브러리의 기준 격인 라이브러리.
2 사용
절차 | 설명 | 방법 |
---|---|---|
패키지 설치 | 관련된 도구들도 한꺼번에 설치된다.
(numpy, scipy, joblib, threadpoolctl과 함께.) |
pip install scikit-learn |
판다스 설치 | 데이터를 다룰 때 사용할 도구. | pip install pandas |
의도 | 설명 | 방법 |
---|---|---|
훈련데이터와 테스트데이터 분리 | 귀찮은 일을 모듈이 해준다. | from sklearn.model_selection import train_test_split
train_data, test_data, train_label, test_label = train_test_split(data, label)
|
정답률 예측 | 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)
from sklearn import metrics # 추가로 가져온다.
score = metrics.accuracy_score(label, pre) # 레이블과 예측값을 넣는다.
print('정답률 : ', score)
| |
학습한 매개변수 저장하기 | 매번 새로이 학습하는 일은 번거롭다. | from sklearn.externals import joblib
joblib.dump(객체, "경로.pkl") # 교육한 객체를 .pkl 파일로 저장한다.
|
학습데이터 읽기 | 저장했으면 읽어야지. | file = "경로.pkl"
객체 = joblib.load(file)
|
3 SVM 알고리즘
사용할 수 있는 SVM 알고리즘은 다음과 같다.
알고리즘 | 설명 | 방법 |
---|---|---|
SVC(Classfication) | 표준. | |
NuSVC | 위와 수학적으로 같으나, 오류처리방법이 다르다. | |
LinearSVC | 선형. 계산이 빠르다. |
절차 | 설명 | 방법 |
---|---|---|
패키지 불러오기 및 데이터 정리 | from sklearn import svm
data = [
[1,2,4],
[1,5,3],
[1,5,2]
]
# 데이터와 레이블 정리
data = []
label = []
for row in data:
data.append(row[0], row[1]) # 판단의 기초가 되는 데이터리스트를 만든다.
label.append(row[2]) # 판단의 결과를 모은다.
df = pd.DataFrame(data)
data = df.ix[, 0:1] # 모든 데이터의 0~1 인덱스에 해당하는 것을 데이터로.
label = df.ix[:,2] # 모든데이터의 인덱스 2에 해당하는 것을 레이블로.
| |
학습 | 일반적으로 machine이라는 이름보다,
classifier의 약자인 clf를 주로 쓴다. |
machine = svm.SVC() # SVM객체 지정
machine.fit(data, label) # 데이터와 레이블 지정
|
예측해보기 | 위에서 학습한 데이터로 예측해본다.
데이터 갯수만큼 예측결과를 내놓는다. |
pre = machine.predict(data) # 새로운 데이터를 머신 객체에 넣어주어 예측결과를 얻어본다.
|
확인해보기 | 얼마나 잘 맞았는지 검증해본다. | from sklearn import metrics # 추가로 가져온다.
score = metrics.accuracy_score(label, pre) # 레이블과 예측값을 넣는다.
print('정답률 : ', score)
|