도미 데이터 준비하기
In [23]:
# 도미 길이/무게 데이터 - feature
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]
# matplotlib - 시각화용 패키지
import matplotlib.pyplot as plt
plt.scatter(bream_length, bream_length)
plt.xlabel("length")
plt.ylabel("weight")
plt.show()
빙어 데이터 준비하기
In [25]:
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_length)
plt.scatter(smelt_length, smelt_weight)
plt.xlabel("length")
plt.ylabel("weight")
plt.show()
도미/빙어 분류를 위한 K-Nearest Neighbors
In [26]:
# 전체 fish data 준비
### zip 함수는 나열된 리스트에서 하나씩 원소를 각각 꺼냄
length = bream_length + smelt_length
weight = bream_weight + smelt_weight
fish_data = [[l, w] for l, w in zip(length, weight)]
print(fish_data)
# 정답 데이터 - 1 : 도미, 0 : 빙어
fish_answer = [1] * 35 + [0] * 14
print(fish_answer)
# KNeighborsClassifier로 학습
from sklearn.neighbors import KNeighborsClassifier
k_neighbors = KNeighborsClassifier()
k_neighbors.fit(fish_data, fish_answer)
# 학습 결과 평가 - 정확도 accuracy
print(k_neighbors.score(fish_data, fish_answer))
[[25.4, 242.0], [26.3, 290.0], [26.5, 340.0], [29.0, 363.0], [29.0, 430.0], [29.7, 450.0], [29.7, 500.0], [30.0, 390.0], [30.0, 450.0], [30.7, 500.0], [31.0, 475.0], [31.0, 500.0], [31.5, 500.0], [32.0, 340.0], [32.0, 600.0], [32.0, 600.0], [33.0, 700.0], [33.0, 700.0], [33.5, 610.0], [33.5, 650.0], [34.0, 575.0], [34.0, 685.0], [34.5, 620.0], [35.0, 680.0], [35.0, 700.0], [35.0, 725.0], [35.0, 720.0], [36.0, 714.0], [36.0, 850.0], [37.0, 1000.0], [38.5, 920.0], [38.5, 955.0], [39.5, 925.0], [41.0, 975.0], [41.0, 950.0], [9.8, 6.7], [10.5, 7.5], [10.6, 7.0], [11.0, 9.7], [11.2, 9.8], [11.3, 8.7], [11.8, 10.0], [11.8, 9.9], [12.0, 9.8], [12.2, 12.2], [12.4, 13.4], [13.0, 12.2], [14.3, 19.7], [15.0, 19.9]]
[1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0]
1.0
In [27]:
# 예측
k_neighbors.predict([[30, 600]])
Out[27]:
array([1])
In [ ]:
'Data Science > AI' 카테고리의 다른 글
인공지능 #3 | K-nearest neighbor 알고리즘, 선형 회귀, 릿지 회귀, 라쏘 회귀 (0) | 2023.03.06 |
---|---|
인공지능 #2 | 훈련 셋과 테스트 셋, 데이터 전처리 (0) | 2023.03.06 |
[에러 해결] jupyter-nbconvert not found 해결하기 (0) | 2023.03.06 |
tweepy (0) | 2021.09.29 |
RNN, LSTM에 대해 알아보자 | (0) | 2021.09.25 |