# 데이터 준비
fish_length = [25.4, 26.3, 26.5, 29.0, 29.1, 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]
fish_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]
import numpy as np
np.column_stack(([1, 2, 3], [4, 5, 6]))
fish_data = np.column_stack((fish_length, fish_weight)) # numpy를 이용하여 튜플로 구성
print(fish_data[:5])
print(np.ones(5)) # 1로 되어 있는것 5개 출력
fish_target = np.concatenate((np.ones(35), np.zeros(14))) #1로 되어 있는 35개, 0으로 되어 있는 14개 데이터 합치기
print(fish_target)
from sklearn.model_selection import train_test_split # train_test_split 함수 import
train_input, test_input, train_target, test_target = train_test_split(fish_data, fish_target, random_state=42) # 랜덤 State를 42로 섞어서, 데이터 구분
print(train_input.shape, test_input.shape)
print(train_target.shape, test_target.shape)
print(test_target)
train_input, test_input, train_target, test_target = train_test_split(fish_data, fish_target, stratify=fish_target, random_state=42) # Stratify는 구분 기준
print(test_target)
# 수상한 도미 한마리
from sklearn.neighbors import KNeighborsClassifier
kn = KNeighborsClassifier()
kn.fit(train_input, train_target)
kn.score(test_input, test_target)
kn.predict([[25, 150]]) # 빙어라고 판단하네??
import matplotlib.pyplot as plt
plt.scatter(train_input[:,0], train_input[:,1])
plt.scatter(25, 150, marker='*')
plt.xlabel('length')
plt.ylabel('weight')
plt.show()
distances, indexes = kn.kneighbors([[25, 150]])
plt.scatter(train_input[:,0], train_input[:,1], marker='^')
plt.scatter(25, 150, marker='*')
plt.scatter(train_input[indexes, 0], train_input[indexes, 1], marker='D') # 근접인 클래스 다르게 표시
plt.xlabel('length')
plt.ylabel('weight')
plt.show()
print(train_input[indexes]) # 근접 5개 중 4개가 빙어
print(distances) # 이웃 샘플까지의 거리
plt.scatter(train_input[:, 0], train_input[:, 1])
plt.scatter(25, 150, marker='^')
plt.scatter(train_input[indexes, 0], train_input[indexes, 1], marker='D')
plt.xlim((0, 1000))
plt.xlabel('length')
plt.ylabel('weight')
plt.show()
mean = np.mean(train_input, axis=0) # 평균 계산
std = np.std(train_input, axis=0) # 표준편차 계산
print(mean, std)
train_scaled = (train_input - mean) / std # 표준점수 계산(train_input의 모든 값을 대상으로 평균을 빼고, 표준 편차를 나누어 표준점수 환산)
print(train_scaled)
# 전처리 데이터로 모델 훈련하기
plt.scatter(train_scaled[:, 0], train_scaled[:, 1]) # 평균값 표시
plt.scatter(25, 150, marker='^') # 그냥 값 표시
plt.xlabel('length')
plt.ylabel('weight')
plt.show()
new_target = ([25, 150] - mean) / std
plt.scatter(train_scaled[:, 0], train_scaled[:, 1]) # 평균값 표시
plt.scatter(new_target[0], new_target[1], marker='^') # 그냥 값 표시
plt.xlabel('length')
plt.ylabel('weight')
plt.show()
kn.fit(train_scaled, train_target) # 평균값으로 다시 학습, train_target 동이, 빙어 구분값은 변동 없음
test_scaled = (test_input - mean) / std #
kn.score(test_scaled, test_target)
print(kn.predict([new_target]))
distances, indexes = kn.kneighbors([new_target])
plt.scatter(train_scaled[:, 0], train_scaled[:, 1])
plt.scatter(new_target[0], new_target[1], marker='^')
plt.scatter(train_scaled[indexes, 0], train_scaled[indexes, 1], marker='D')
plt.xlabel('length')
plt.ylabel('weight')
plt.show()