머신러닝 모델링 프로세스 iris dataset 활용

from sklearn.datasets import load_iris

iris = load_iris()

iris_feature = iris.data
iris_target = iris.target

#데이터를 불러왔으면 반드시 shape을 확인해 보아야합니다. -> 행개수 와 열개수 구하는것.
print("feature shape :()".format(iris_feature.shape))
print("target shape : ()".foramt(iris_target.shape))

결과값 : 

feature shape : (150, 4)
target shape : (150, )

 

import pandas as pd

feature_names = iris.feature_names

iris_df = pd.DataFrame(
	data = iris_feature,
    columns = feature_names
)

iris_df['target'] = iris_target
iris_df.head(10)

target 컬럼이 추가된 iris데이터 표

# 분류 문제에서 가장 중요하게 확인할 내용
# 타겟의 개수 확인 (비율 확인)
iris_df['target'].value_counts()

target컬럼에서 비율을 확인한다.

학습 데이터 / 테스트 데이터 분리하기

 

from sklearn.model_selection import train_test_split

X_train, X_test, y_train, y_test = train_test_split(
	iris_df.drop['target'], axis = 1 ), #Feature Matrix, target 컬럼을 제외하고 다른 열들을 선택
    iris_df['target'], # Target Vector
    test_size = 0.2, # 테스트 세트의 비율. 보통은 0.2~ 0.3
    random_state = 11  # 랜덤 시드 고정값
)

print(" 훈련 데이터의 shape : {}".format(X_train.shape))
print(" 테스트 데이터의 shape : {}".format(y_test.shape))

결과 값:
훈련 데이터의 shape : (120, 4)
테스트 데이터의 shape : ( 30, 40)                                           

모델 훈련 

#의사결정나무 분류기 사용
from sklearn.tree import DecisionTreeClassifier

#모델 객체 생성 - 모델의 각종 옵션(하이퍼 파라미터)을 설정한다.
dt_clf = DecisionTreeClassifier()

#모델 훈련 - 훈련이 다 끝나면, 학습된 모델이 Return 된다.
#fit()메소드 - 훈련시키는 메소드
dt_clf.fit(X_train, y_train)

  테스트 데이터 예측

pred = dt_clf.predict(X_test)
#예측할때는 Feature만 넣기. 
#테스트 데이터의 차원 = 훈련 데이터의 차원

print("테스트 세트의 예측 결과 : {}.format(pred))

결과값 : 
테스트 세트의 예측 결과 : [2 2 1 2 2 0 1 0 0 1 1 1 1 2 2 0 2 1 2 2 1 0 0 1 0 0 2 1 .... ]

 

평가

예측 정확도 ( Accuracy) 평가

from sklearn.metrics import accuracy_score

acc_result = accuracy_score(y_test, pred)
print("예측 정확도 : {:.4f}".format(acc_result))

       결과 :
예측정확도 : 0.8667

 

총 정리 : 데이터 로드 --> iris데이터를 DataFrame으로 만들기( 데이터와 열 이름 넣기)  target 추가하기
-->  학습 데이터 / 테스트 데이터 분리하기 --> 모델 훈련 시키기 --> 테스트 데이터 예측하기 
--> 평가하기 ( 예측정확도 )