chapter 01. 나의 첫 머신러닝
인공지능 : 사람처럼 학습하고 추론할 수 있는 지능을 가진 컴퓨터 시스템을 만드는 기술
인공일반지능, 강인공지능 : 사람과 구분하기 어려운 지능을 가진 컴퓨터 시스템
약인공지능 : 우리가 현실에서 마주하고 있는 인공지능(특정 분야에서 사람의 일을 도와주는)
머신러닝
머신러닝 : 규칙을 일일이 프로그래밍하지 않아도 자동으로 데이터에서 규칙을 학습하는 알고리즘을 연구하는 분야
대표적인 라이브러리 → 사이킷런
딥러닝 : 머신러닝 알고리즘 중에 인공 신경망을 기반으로 한 방법들
- 대표적인 딥러닝 라이브러리 : 텐서플로(TensorFlow), 파이토치(PyTorch)
제목1 #제목1
제목2 ##제목2
제목3 ### 제목3
제목4 #### 제목4
제목5 ##### 제목5굵게 쓰기 **굵게쓰기
기울임 꼴 *기울임 꼴
기울임 꼴 _기울임 꼴
취소선 ~~취소선~~
print("Hello world") ` `
들여쓰기 >들여쓰기
- 글머리 기호 * 글머리기호
- 글머리 기호 - 글머리 기호
1-3 마켓과 머신러닝
프로그램 : 누군가 정해준 기준대로 일을 함
머신러닝 : 누구도 알려주지 않는 기준을 찾아서 일을 함
- 이진 분류
머신러닝에서 여러 개의 종류(혹은 클래스(class)라고 부릅니다) 중 하나를 구별해 내는 문제를 분류(classification)이라고 부른다. 2개의 클래스 중 하나를 고르는 문제를 이진 분류(binary classification) 이라고 한다.
생선 분류 문제
도미 데이터 준비하기
# bream_length : 생선의 길이
# bream_weight : 생선의 무게
import matplotlib.pyplot as plt # 파이썬에서 그림을 그리는 대표적인 라이브러리(matplotlib 맷플롯립) plt.scatter(bream_length, bream_weight) #scatter() : 산점도 그리는 함수
plt.xlabel('length') # x축은 길이
plt.ylabel('weight') # y축은 무게
plt.show()
빙어 데이터 준비하기
# smelt_length : 빙어의 길이
# smelt_weight : 빙어의 무게
scatter 함수를 두 번 연속으로 호출하면 2개의 산점도가 한 그래프에 그려진다
plt.scatter(bream_length, bream_weight)
plt.scatter(smelt_length, smelt_weight)
plt.xlabel('length')
plt.ylabel('weight')
plt.show()
첫 번째 머신러닝 프로그램 _ k-최근접 이웃(k-Nearest Neighbors)
# 간단하게 두 리스트를 하나로 합쳤다 (연산자 오버로딩)
length = bream_length+smelt_length
weight = bream_weight+smelt_weight
# zip() : 나열된 리스트 각각에서 하나씩 원소를 꺼내 반환
fish_data = [[l, w] for l, w in zip(length, weight)] print(fish_data)
# 정답 준비
fish_target = [1]*35 + [0]*14 print(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]
from sklearn.neighbors import KNeighborsClassifier
kn = KNeighborsClassifier()
# 모델에서 데이터를 전달하여 규칙을 학습하는 과정 : 훈련 // 사이킷런에서는 fit() 메서드가 그 역할을 함
kn.fit(fish_data, fish_target)
# 사이킷런에서 모델을 평가하는 메서드
kn.score(fish_data, fish_target)
1.0k-최근접 이웃 알고리즘
plt.scatter(bream_length, bream_weight)
plt.scatter(smelt_length, smelt_weight)
plt.scatter(30, 600, marker='^')
plt.xlabel('length')
plt.ylabel('weight')
plt.show()
kn.predict([[30, 600]]) # predict() : 새로운 데이터의 정답을 예측
array([1])print(kn._fit_X)
print(kn._y)
[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]
kn49 = KNeighborsClassifier(n_neighbors=49) # 참고 데이터를 49개로 한 kn49 모델
kn49.fit(fish_data, fish_target)
kn49.score(fish_data, fish_target)
print(35/49) # 가까운 데이터 49개를 사용하는 k-최근접 이웃 모델을 적용하였는데 49개 중에 35개가 도미이므로 어떤 데이터를 넣어도 다 도미로 예측 -> 그래서 정확도가 35/49
확인 문제
kn = KNeighborsClassifier()
kn.fit(fish_data, fish_target)
for n in range(5, 50):
# 최근접 이웃 개수 설정
kn.n_neighbors = n
# 점수 계산
score = kn.score(fish_data, fish_target)
# 100% 정확도에 미치지 못하는 이웃 개수 출력
if score < 1:
print(n, score)
break반응형
'공부기록 > 머신러닝' 카테고리의 다른 글
| 혼자 공부하는 머신러닝+딥러닝 chapter 02 (3) | 2023.07.14 |
|---|