TIL_6W2D_머신러닝 기초(2)

머신러닝의 이해와 라이브러리 활용 기초(2)
강의 내용 실습

머신러닝 기초.ipynb

0.34MB

 

---

선형회귀 (Tip 실습)

단순회귀 VS. 다중회귀

 

tips_data.csv

0.01MB

 

 

 

단순선형회귀	다중선형회귀(범주형 데이터 사용)
------------------------------------------	범주형 데이터 처리(Sex_en 컬럼 생성) #범주형 데이터 바꾸기 def get_sex(x):     if x == 'Female':         return 0     else:         return 1   #값을 컬럼에 넣어주기 위해서 tips_df['sex_en'] = tips_df['sex'].apply(get_sex)
MSE,r2_score 계산 (단순선형회귀) : x변수(total_bill) 1개, y변수(tip) #학습 x = tips_df[['total_bill']] y = tips_df[['tip']] model_lr2 = LinearRegression() model_lr2.fit(x,y) #예측 y_true_tip = tips_df['tip'] y_pred_tip = model_lr2.predict(tips_df[['total_bill']]) #평가(MSE) print('단순선형회귀', mean_squared_error(y_true_tip,y_pred_tip)) 출력: 단순선형회귀 1.036019442011377 #평가(r2_score) print('단순선형회귀', r2_score(y_true_tip,y_pred_tip)) 출력: 단순선형회귀 0.45661658635167657	MSE,r2_score 계산 (다중선형회귀) : x변수(total_bill,sex_en) 2개, y변수(tip)   #학습 x = tips_df[['total_bill','sex_en']] y = tips_df[['tip']] model_lr3 = LinearRegression() model_lr3.fit(x,y) #예측 y_true_tip = tips_df['tip'] y_pred_tip2 = model_lr3.predict(x) #평가(MSE) print('다중선형회귀', mean_squared_error(y_true_tip, y_pred_tip2)) 출력: 다중선형회귀 1.0358604137213614 #평가(r2_score) print('다중선형회귀', r2_score(y_true_tip, y_pred_tip2)) 출력: 다중선형회귀 0.45669999534149974

 

 

---

로지스틱 회귀 (타이타닉 실습)

단순회귀 VS. 다중회귀

train.csv

0.06MB

 

 

 

 

로지스틱 회귀(단순회귀)	로지스틱 회귀(다중회귀/범주형 데이터 사용)
------------------------------------------	범주형 데이터 처리 (Sex_en 컬럼 생성) #범주형 데이터 바꾸기 def get_sex(x):     if x == 'female':         return 0     else:         return 1   #값을 컬럼에 넣어주기 위해서 titanic_df['Sex_en'] = titanic_df['Sex'].apply(get_sex)
정확도, f1-score 계산 : x변수(Fare) 1개, y변수(Survived)   #학습 x_1 = titanic_df[['Fare']] y_true = titanic_df[['Survived']]   model_lor = LogisticRegression() model_lor.fit(x_1, y_true)   #함수설정 from sklearn.metrics import accuracy_score, f1_score def get_metrics(true,pred):     print('정확도', accuracy_score(true,pred))     print('f1-score', f1_score(true,pred))   #예측 y_pred_1 = model_lor.predict(x_1)   #평가(정확도,f1_score) get_metrics(y_true,y_pred_1)   출력: 정확도 0.6655443322109988 f1-score 0.354978354978355	정확도, f1-score 계산 : x변수(Pclassm, Sex_en, Fare) 3개, y변수(Survived) #학습 x_2 = titanic_df[['Pclass', 'Sex_en', 'Fare']] y_true = titanic_df[['Survived']]   model_lor_2 = LogisticRegression() model_lor_2.fit(x_2,y_true)   #함수설정 from sklearn.metrics import accuracy_score, f1_score def get_metrics(true,pred):     print('정확도',accuracy_score(true,pred))     print('f1-score', f1_score(true,pred))   #예측 y_pred_2 = model_lor_2.predict(x_2)   #평가(정확도,f1_score) get_metrics(y_true, y_pred_2)   출력: 정확도 0.7867564534231201 f1-score 0.7121212121212122

 

---

선형회귀 VS.로지스틱 회귀

 

머신러닝 기초 완강 ~!! 끝 이제 머신러닝 심화 열심히 들어보자!