1-3. 마켓과 머신러닝

반응형

# 도미 데이터 준비

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]

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

plt.scatter(bream_length, bream_weight)

plt.xlabel('length') # x축은 길이

plt.ylabel('weight') # y축은 무게

plt.show()

 

# 빙어 데이터 준비

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()

 

length = bream_length + smelt_length # 도미와 빙어의 길이를 length로 합치기

weight = bream_weight + smelt_weight # 도미와 빙어의 무게를 weight로 합치기

fish_data = [[l, w] for l, w in zip(length, weight)] # length 와 weight를 2차원 리스트로 만들기

print(fish_data)

 

fish_target = [1] * 35 + [0] * 14 # 35개의 1과 14개의 0의 리스트 만들기

print(fish_target)

 

from sklearn.neighbors import KNeighborsClassifier

kn = KNeighborsClassifier()

# 동일한 코드

# import sklearn

# kn = sklearn.neighbors.KNeighborsClassfier

kn.fit(fish_data, fish_target) # 훈련

kn.score(fish_data, fish_target) # 평가

 

 

# k-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]]) # 정답 예측 - 도미

kn.predict([[10, 100]]) # 정답 예측 - 빙어

print(kn._fit_X)

print(kn._y)

 

 

kn49 = KNeighborsClassifier(n_neighbors=49) # 참고 데이터를 49개로 한 kn49 모델

kn49.fit(fish_data, fish_target)

kn49.score(fish_data, fish_target)

 

kn20 = KNeighborsClassifier(n_neighbors=20) # 참고 데이터를 4개로 한 kn49 모델

kn20.fit(fish_data, fish_target)

kn20.score(fish_data, fish_target)