5일차(K-최근접 이웃 회귀 모델)

K-최근접 이웃 회귀 모델

 

 

#K-최근접 이웃 회귀 모델: 길이만 가지고 무게 예측하기

##농어 데이터 저장하기

perch_length = np.array([8.4, 13.7, 15.0, 16.2, 17.4, 18.0, 18.7, 19.0, 19.6, 20.0, 21.0,
       21.0, 21.0, 21.3, 22.0, 22.0, 22.0, 22.0, 22.0, 22.5, 22.5, 22.7,
       23.0, 23.5, 24.0, 24.0, 24.6, 25.0, 25.6, 26.5, 27.3, 27.5, 27.5,
       27.5, 28.0, 28.7, 30.0, 32.8, 34.5, 35.0, 36.5, 36.0, 37.0, 37.0,
       39.0, 39.0, 39.0, 40.0, 40.0, 40.0, 40.0, 42.0, 43.0, 43.0, 43.5,
       44.0])
perch_weight = np.array([5.9, 32.0, 40.0, 51.5, 70.0, 100.0, 78.0, 80.0, 85.0, 85.0, 110.0,
       115.0, 125.0, 130.0, 120.0, 120.0, 130.0, 135.0, 110.0, 130.0,
       150.0, 145.0, 150.0, 170.0, 225.0, 145.0, 188.0, 180.0, 197.0,
       218.0, 300.0, 260.0, 265.0, 250.0, 250.0, 300.0, 320.0, 514.0,
       556.0, 840.0, 685.0, 700.0, 700.0, 690.0, 900.0, 650.0, 820.0,
       850.0, 900.0, 1015.0, 820.0, 1100.0, 1000.0, 1100.0, 1000.0,
       1000.0])

 

##농어 데이터 분산도로 나타내기

plt.scatter(perch_length,perch_weight)
plt.show()

농어 분산도

 

##라이브러리를 이용하여 정확한 비율로 데이터 나누기

>from sklearn.model_selection import train_test_split
>train_input,test_input,train_target,test_target=train_test_split(perch_length,perch_weight)
>
>train_input 

array([27.3, 37. , 43.5, 44. , 19.6, 21.3, 23.5, 25. , 40. , 22. , 28.7,
       19. , 22. , 40. , 18.7, 32.8, 24.6, 40. , 15. , 36. , 39. , 34.5,
       20. , 22. , 18. , 39. ,  8.4, 26.5, 27.5, 35. , 24. , 22. , 21. ,
       36.5, 23. , 16.2, 22. , 21. , 40. , 27.5, 43. , 22.5])

>>데이터를 나누는 default 값은 75%:훈련 데이터 , 25%:시험 데이터

 

 

##문제지에 해당하는 1차원 넘파이 배열인 훈련 데이터를 2차원 넘파이 배열로 바꿔주기

 

train_input=train_input.reshape(-1,1)

>>reshape를 다시 바꾸는 것

    -1 : 2차원 넘파이 배열

     1 : 요인의 개수

 

 

##시험 데이터의 문제지 2차원 넘파이 배열로 바꾸기

test_input=test_input.reshape(-1,1)

 

 

##학습 데이터의 문제지 조회하기

>train_input

array([[27.3],
       [37. ],
       [43.5],
       [44. ],
       [21.3],
.....생략.....
       [21. ],
       [40. ],
       [27.5],
       [43. ],
       [22.5]])

>>2차원 넘파이 배열로 바뀐 것을 확인할 수 있다.

 

 

##회귀 라이브러리를 통해 훈련 데이터로 학습시키기

>from sklearn.neighbors import KNeighborsRegressor
>
>knr=KNeighborsRegressor()
>knr.fit(train_input,train_target)

KNeighborsRegressor(algorithm='auto', leaf_size=30, metric='minkowski',
                    metric_params=None, n_jobs=None, n_neighbors=5, p=2,
                    weights='uniform')

 

 

 

##모델 성능 평가하기

>knr.score(test_input,test_target)

0.9319917476479095

>>맞추는 것에 중점을 두는 것이 아니라 얼마나 정답에 가깝냐에 중점을 둔다.

 

 

##무게 예측해보기

>knr.predict(test_input[:8])

array([950.  , 123.  , 950.  , 206.2 , 268.6 , 327.8 ,  55.08, 129.  ])

 

 

##실제값 조회해보기

>test_target[:8]

array([1100.,  150., 1100.,  197.,  250.,  320.,   32.,  145.])

 

 

##평균적 오차 구하기

>np.mean(abs(knr.predict(test_input[:8])-test_target[:8])) 

50.21

 

 

##훈련데이터로 학습하고 훈련데이터와 시험데이터를 넣었을 때의 성능 출력하기

>knr.fit(train_input,train_target)   
>
>print(knr.score(train_input,train_target))
>print(knr.score(test_input,test_target))

0.9793711240304775
0.9319917476479095

>>당연히 훈련데이터를 넣었을 때 높아야한다.

 

 

##농어의 길이로 무게 예측해보기

knr=KNeighborsRegressor()

x=np.arange(5,45).reshape(-1,1)

for n in ([1,5,10,20]):
  knr.n_neighbors=n
  knr.fit(train_input,train_target)

  prediction=knr.predict(x)

  plt.scatter(train_input,train_target)
  plt.plot(x,prediction,'r')
  plt.show()

>>농어 길이 5~44까지의 무게 예측해 보기

>>1,5,10,20 으로 평균낼 개수 설정하기

n=1

n=5

n=10

n=20

>>적당한 개수를 잡는 것이 중요하다. 너무 적으면 과대적합, 많으면 과소적합

 

 

##최근접 3개로 평균내고 데이터 학습시키기

>knr=KNeighborsRegressor(n_neighbors=3)
>knr.fit(train_input,train_target)


KNeighborsRegressor(algorithm='auto', leaf_size=30, metric='minkowski',
                    metric_params=None, n_jobs=None, n_neighbors=3, p=2,
                    weights='uniform')

 

 

##길이로 무게 예측하기

>knr.predict([[50]]) 

array([1000.])

>>길이가 50인 생선의 무게 예측하기

 

 

##길이가 50일때의 가장 가까운 데이터 3개 산점도에 나타내기

distances,indexes=knr.kneighbors([[50]])

plt.scatter(train_input,train_target)
plt.scatter(train_input[indexes],train_target[indexes],marker='D')
plt.scatter(50,1033,marker='^')
plt.show()

 

 

##K-최근접 모델의 한계점

distances,indexes=knr.kneighbors([[500]])  

plt.scatter(train_input,train_target)
plt.scatter(train_input[indexes],train_target[indexes],marker='D')
plt.scatter(500,1033,marker='^')
plt.show()

>>길이 500을 넣어도 50을 넣었을 때와 같은 무게로 예측한다.