TIL_6W1D_머신러닝 기초(1)

 

머신러닝의 이해와 라이브러리 활용 기초(1)
강의 내용 실습

 

머신러닝 기초.ipynb

0.19MB

 

 

 

# !pip install scikit-learn

# !pip install numpy

# !pip install pandas

# !pip install matplotlib

# !pip install seaborn

import sklearn

import numpy as np

import pandas as pd

import matplotlib.pyplot as plt

import seaborn as sns

 

1. Weight VS. Height

:  몸무게와 키의 상관관계

 

 

weights = [87,81,82,92,90,61,86,66,69,69]

heights = [187,174,179,192,188,160,179,168,168,174]

print(len(weights))

print(len(heights)

# 딕셔너리 형태로 데이터 생성

body_df = pd.DataFrame({'height': heights, 'weight': weights})

---

W1,W0 구하기(1)

#선형 회귀 훈련(적합)

from sklearn.linear_model import LinearRegression

model_lr = LinearRegression()

type(model_lr)

# DataFrame[]: Series(데이터 프레임의 컬럼)

# DaraFream[[]]: DataFrame

x = body_df[['weight']]

y = body_df[['height']]

#데이터 훈련

model_lr.fit(X = x, y = y)

# 가중치(w1)

print(model_lr.coef_)

# 편향(bias,w0)

print(model_lr.intercept_)

 

출력:

[[0.86251245]]

[106.36527488]

 

---

W1,W0 구하기(2)

w1 = model_lr.coef_[0][0]

w0 = model_lr.intercept_[0]

print('y= {}x + {}'.format(w1.round(2),w0.round(2)))

 

출력: y = 0.86 + 109.37

---

MES 계산 (1)

# 예측값을 만들기 [pred]

body_df['pred'] = body_df['weight']*w1 + w0

body_df.head(3)

# 에러값 계산(실제값-예측값) [error]

body_df['error'] = body_df['height']-body_df['pred']

body_df.head(3)

body_df['error^2'] = body_df['error']**2

body_df.head(3)

#MES 계산 답: 10

body_df['error^2'].sum()/len(body_df)

 

출력: 10.15293904537609

---

 

MES 계산 (2) + r2_score

from sklearn.metrics import mean_squared_error, r2_score

 

# 평가함수는 공통적으로 정답(실제 true), 예측값(pred)

y_true = body_df['height']

y_pred = body_df['pred']

mean_squared_error(y_true,y_pred)

 

출력: 10.152939045376309

r2_score(y_true,y_pred)

 

출력:0.8899887415172141

 

MES 계산 (3)

# 예측값 알아내는 또다른 코드 predict()

y_pred2 = model_lr.predict(body_df[['weight']])

y_pred2

mean_squared_error(y_true,y_pred2)

 

출력:10.152939045376309

 

시각화(산점도, 선 그래프)

sns.scatterplot(data = body_df, x = 'weight', y = 'height')

sns.lineplot(data = body_df, x = 'weight', y = 'pred', color = 'red')

 

 

---

2. Total_bill VS. Tip

: 전체 금액과 팁의 상관관계

 

 

tips_df = sns.load_dataset('tips')

---

W1, W0 구하기 (1) 

model_lr2 = LinearRegression()

x = tips_df[['total_bill']]

y = tips_df[['tip']]

model_lr2.fit(x,y)

 

# y(tip) = w1*x(totall_bill) + w0

w1_tip = model_lr2.coef_[0][0]

w0_tip = model_lr2.intercept_[0]

 

print('y = {}x + {}'.format(w1_tip.round(2),w0_tip.round(2)))

 

출력: y = 0.11x + 0.92

---

MES 계산 (1) + r2_score

# 예측값 생성

y_true_tip = tips_df['tip']

y_pred_tip = model_lr2.predict(tips_df[['total_bill']])

#y_pred_tip도 tips_df에 컬럼으로 넣어주기

tips_df['pred'] = y_pred_tip

 

mean_squared_error(y_true_tip, y_pred_tip)

 

출력: 1.036019442011377

r2_score(y_true_tip, y_pred_tip)

 

출력: 0.45661658635167657

---

시각화(산점도, 선 그래프)

 

sns.scatterplot(data = tips_df, x= tips_df['total_bill'], y=tips_df['tip'])

sns.lineplot(data = tips_df, x = 'total_bill', y = 'pred', color = 'red')