[머신러닝] 01-1~01-3 KNeghborsClassifier 객체

지난 포스팅에 이어 1단원을 마무리 한다.

import matplotlib.pyplot as plt # matplotlib의 pyplot 함수를 plt로 줄여서 사용

# 두 종류의 물고기 길이와 무게라고 가정하고 종을 구분해내는 AI를 만들어 머신러닝한다.
# 제 3의 데이터가 주어졌을때 판단할 수 있는지 확인해보는 예제

# A종 길이와 크기 예제
bream_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]
bream_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]

# B종 길이와 크기 예제
smelt_length = [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]
smelt_weight = [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]

plt.scatter(bream_length, bream_weight)
plt.scatter(smelt_length, smelt_weight)
plt.xlabel('length')
plt.ylabel('weight')
plt.show()

# 두 종의 배열을 길이별로, 그리고 무게별로 합친다.
length = bream_length + smelt_length
weight = bream_weight + smelt_weight

print('length')
print(length)

print('weight')
print(weight)

# [길이, 무게] 쌍으로 데이터를 변환한 2차원 리스트 생성성
fish_data = [[l,w] for l, w in zip(length, weight)]

print('fish_data')
print(fish_data)

# A종 35개와 B종 14개를 구분한 배열을 생성
# R 또는 다른 통계분석에서도 구분컬럼을 추가하는 방식과 동일한 개념으로 보인다.
fish_target = [1] * 35 + [0] * 14

print('fish_target')
print(fish_target)

# 사이킷런 패키지에서 k-최근접 이웃 알고리즘을 구현한 클래스를 임포트
# 통계학에서 qqplot 등에서 점이 몰려있거나 선형이거나.... 등등 일정한 규칙을 이루는 집단을 동일집단으로 보는 것과 유사한 알고리즘일 것으로 추정
# 이름부터가 해석하자면 이웃 분류
from sklearn.neighbors import KNeighborsClassifier

# 객체로 선언
kn = KNeighborsClassifier()

# 알고리즘 객체에 학습 - 요데이터는 요놈이야야
kn.fit(fish_data, fish_target)

print('kn.score')
print(kn.score(fish_data, fish_target))

#그렇다면 길이가 30, 무게가 600인 놈이 뭔지 예측해봐!(메소드 단어를 그대로 해석하는게 이해와 암기에 좋을것같아서!)

print('길이가 30, 무게가 600인 놈이 뭔지 예측해봐!')
kn.predict([[30, 600]])

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]
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]
fish_data
[[25.4, 242.0], [26.3, 290.0], [26.5, 340.0], [29.0, 363.0], [29.0, 430.0], [29.7, 450.0], [29.7, 500.0], [30.0, 390.0], [30.0, 450.0], [30.7, 500.0], [31.0, 475.0], [31.0, 500.0], [31.5, 500.0], [32.0, 340.0], [32.0, 600.0], [32.0, 600.0], [33.0, 700.0], [33.0, 700.0], [33.5, 610.0], [33.5, 650.0], [34.0, 575.0], [34.0, 685.0], [34.5, 620.0], [35.0, 680.0], [35.0, 700.0], [35.0, 725.0], [35.0, 720.0], [36.0, 714.0], [36.0, 850.0], [37.0, 1000.0], [38.5, 920.0], [38.5, 955.0], [39.5, 925.0], [41.0, 975.0], [41.0, 950.0], [9.8, 6.7], [10.5, 7.5], [10.6, 7.0], [11.0, 9.7], [11.2, 9.8], [11.3, 8.7], [11.8, 10.0], [11.8, 9.9], [12.0, 9.8], [12.2, 12.2], [12.4, 13.4], [13.0, 12.2], [14.3, 19.7], [15.0, 19.9]]
fish_target
[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]
kn.score
1.0
길이가 30, 무게가 600인 놈이 뭔지 예측해봐!

Out[15]:

array([1])

그룹1 그러니까 A종으로 판단했다는 최종 결과를 얻었다.