[머신러닝3] K-Nearest Neighbor

최근접 이웃 알고리즘(K-NN)

 

 

 

어떠한 레이블링 되어있는 데이터에 새로운 데이터가 생겼을때

이데이터가 과연 어느쪽과 가까운지를 판단하는 알고리즘

인접한 데이터를 인공지능이판단하여 비슷한 속성으로 데이터를 진단해줌

 

---

 

 

동일하게 연봉과 나이 성별, 구매여부가 있는 데이터

이데이터를 KNN 머신러닝을 통해

새로운데이터가 나타났을때 구매한 쪽과 구매하지 않은쪽과 어느쪽이 더 가까운 이웃인지 분류를 통해 예측하기

 

 

---

트레이닝 기본

1. nan확인

2.x와y분리

3.문자열이 있다면 숫자로 바궈주기

4.피셔츠케일링을 통해 값 맞춰주기

5.트레이닝 / 테스트 셋으로 분리시키기

---------------------------------------------------------- 

6.모델링하기

7.성능평가

[머신러닝0] 머신러닝의 기초(총정리) (tistory.com)

[머신러닝0] 머신러닝의 기초(총정리)

 

---

 

 

from sklearn.neighbors import KNeighborsClassifier

 

 KNeighborsClassifier()

 파라미터를 사용하기 위해선 sklearn의 라이브러리를 import하고

 

파라미터변수 = KNeighborsClassifier()

스플릿해준 트레이닝용 x데이터와 y데이터를 넣어준다

 

이렇게 트레이닝한 인공지능의 성능을 확인해볼때

 

컨퓨전 메트릭스, accuracy_score 를통해 확인하면 좋음

 

from matplotlib.colors import ListedColormap
X_set, y_set = X_test, y_test
X1, X2 = np.meshgrid(np.arange(start = X_set[:, 0].min() - 1, 
                               stop = X_set[:, 0].max() + 1, step = 0.01),
                     np.arange(start = X_set[:, 1].min() - 1, 
                               stop = X_set[:, 1].max() + 1, step = 0.01))
plt.figure(figsize=[10,7])
plt.contourf(X1, X2, classifier.predict(
            np.array([X1.ravel(), X2.ravel()]).T).reshape(X1.shape),
             alpha = 0.75, cmap = ListedColormap(('red', 'green')))
plt.xlim(X1.min(), X1.max())
plt.ylim(X2.min(), X2.max())
for i, j in enumerate(np.unique(y_set)):
    plt.scatter(X_set[y_set == j, 0], X_set[y_set == j, 1],
                c = ListedColormap(('red', 'green'))(i), label = j)
plt.title('Classifier (Test set)')
plt.legend()
plt.show()

 

 

   array([[50,  8],
             [ 4, 38]], 
  초록구역안에 빨간점 8개 빨간영역에 초록점 4개 확인 

 

 

 

모델링 from sklearn.neighbors import KNeighborsClassifier classifier = KNeighborsClassifier() n_neighbor = n 이웃하는 숫자 표시 classifier.fit(X_train, y_train)