혼공머_3

#무게를 예측하기(회귀)
import numpy as np
import matplotlib.pyplot as plt
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsRegressor #회귀 알고리즘
from sklearn.metrics import mean_absolute_error

#넘파이 배열로 만들기
perch_length = np.array([8.4, 13.7, 15.0, 16.2, 17.4, 18.0, 18.7, 19.0, 19.6, 20.0, 21.0,
       21.0, 21.0, 21.3, 22.0, 22.0, 22.0, 22.0, 22.0, 22.5, 22.5, 22.7,
       23.0, 23.5, 24.0, 24.0, 24.6, 25.0, 25.6, 26.5, 27.3, 27.5, 27.5,
       27.5, 28.0, 28.7, 30.0, 32.8, 34.5, 35.0, 36.5, 36.0, 37.0, 37.0,
       39.0, 39.0, 39.0, 40.0, 40.0, 40.0, 40.0, 42.0, 43.0, 43.0, 43.5,
       44.0])
perch_weight = np.array([5.9, 32.0, 40.0, 51.5, 70.0, 100.0, 78.0, 80.0, 85.0, 85.0, 110.0,
       115.0, 125.0, 130.0, 120.0, 120.0, 130.0, 135.0, 110.0, 130.0,
       150.0, 145.0, 150.0, 170.0, 225.0, 145.0, 188.0, 180.0, 197.0,
       218.0, 300.0, 260.0, 265.0, 250.0, 250.0, 300.0, 320.0, 514.0,
       556.0, 840.0, 685.0, 700.0, 700.0, 690.0, 900.0, 650.0, 820.0,
       850.0, 900.0, 1015.0, 820.0, 1100.0, 1000.0, 1100.0, 1000.0,
       1000.0])

plt.scatter(perch_length,perch_weight)
plt.xlabel('length')
plt.ylabel('weight')
plt.show()

train_input, test_input, train_target, test_target = train_test_split(perch_length, perch_weight, random_state = 42)
#1차원 배열(튜플)인 input 샘플들을 2차원 배열로 바꾸기
train_input = train_input.reshape(-1,1) #-1로 하면 배열의 크기를 자동으로 지정. 나머지 원소 개수로 모두 채운다.
test_input = test_input.reshape(-1,1)

#회귀모델 훈련
knr = KNeighborsRegressor()
knr.fit(train_input, train_target)
print(knr.score(test_input,test_target))  #결정계수
#결정 계수(R^2) = 1 - ((타깃 - 예측)^2의 합 / (타깃 - 평균)^2의 합)

test_prediction = knr.predict(test_input) #테스트 세트에 대한 예측을 만든다.
mae = mean_absolute_error(test_target, test_prediction) #테스트 세트에 대한 평균 절대값 오차를 계산한다.
print(mae)  #타깃과 예측한 값 사이의 차이

#과소적합에 맞춰 이웃의 수를 줄여 다시 훈련
knr.n_neighbors= 3
knr.fit(train_input, train_target)
print(knr.score(train_input, train_target))
print(knr.score(test_input, test_target))

import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsRegressor
import matplotlib.pyplot as plt
from sklearn.linear_model import LinearRegression

perch_length = np.array([8.4, 13.7, 15.0, 16.2, 17.4, 18.0, 18.7, 19.0, 19.6, 20.0, 21.0,
       21.0, 21.0, 21.3, 22.0, 22.0, 22.0, 22.0, 22.0, 22.5, 22.5, 22.7,
       23.0, 23.5, 24.0, 24.0, 24.6, 25.0, 25.6, 26.5, 27.3, 27.5, 27.5,
       27.5, 28.0, 28.7, 30.0, 32.8, 34.5, 35.0, 36.5, 36.0, 37.0, 37.0,
       39.0, 39.0, 39.0, 40.0, 40.0, 40.0, 40.0, 42.0, 43.0, 43.0, 43.5,
       44.0])
perch_weight = np.array([5.9, 32.0, 40.0, 51.5, 70.0, 100.0, 78.0, 80.0, 85.0, 85.0, 110.0,
       115.0, 125.0, 130.0, 120.0, 120.0, 130.0, 135.0, 110.0, 130.0,
       150.0, 145.0, 150.0, 170.0, 225.0, 145.0, 188.0, 180.0, 197.0,
       218.0, 300.0, 260.0, 265.0, 250.0, 250.0, 300.0, 320.0, 514.0,
       556.0, 840.0, 685.0, 700.0, 700.0, 690.0, 900.0, 650.0, 820.0,
       850.0, 900.0, 1015.0, 820.0, 1100.0, 1000.0, 1100.0, 1000.0,
       1000.0])

train_input, test_input, train_target, test_target = train_test_split(perch_length, perch_weight, random_state=42)

train_input = train_input.reshape(-1,1)
test_input = test_input.reshape(-1,1)

#길이가 50cm인 농어의 무게를 예측하기 위해 이웃의 수를 3으로하는 모델 훈련
knr = KNeighborsRegressor(n_neighbors=3)
knr.fit(train_input, train_target)
print(knr.predict([[50]]))  #[1033.33333333]으로 예측한 범위가 아님

distances, indexes = knr.kneighbors([[50]])

# 길이가 50인 농어의 3개의 샘플의 평균이 1033이기 때문에 1033이라는 결과가 나옴.
plt.scatter(train_input, train_target)
plt.scatter(train_input[indexes], train_target[indexes], marker = "D")
plt.scatter(50,1033, marker="^")
plt.xlabel('length')
plt.ylabel('weight')
plt.show()

print(np.mean(train_target[indexes])) #[1033.33333333]

#선형 회귀를 이용해 다시 훈련
lr = LinearRegression()

lr.fit(train_input, train_target)
print(lr.predict([[50]])) #[1241.83860323]

print(lr.coef_, lr.intercept_)  #coef(a)는 수, 가중치라고 함. intercept = b(절편)

plt.scatter(train_input, train_target)
plt.plot([15,50], [15*lr.coef_ + lr.intercept_, 50*lr.coef_ + lr.intercept_]) #x = 15와 x = 50을 지나는 직선 그리기
plt.scatter(50,1241.8, marker="^")
plt.xlabel('length')
plt.ylabel('weight')
plt.show()

#훈련세트와 테스트 세트의 R^2 값을 비교해 과소적합이라 판단. -> 그래프 직선에서는 0g이하로도 무게가 떨어짐.
print(lr.score(train_input, train_target))  #훈련 세트 R^2
print(lr.score(test_input, test_target))    #테스트 세트 R^2

#2차 방정식을 그리기 위해 길이를 제곱한 항이 훈련 세트에 추가되어야 함.
train_poly = np.column_stack((train_input ** 2, train_input))
test_poly = np.column_stack((test_input ** 2, test_input))

print(train_poly.shape, test_poly.shape)  #(42, 2) (14, 2)

#train,test_poly로 다시 훈련
lr = LinearRegression()
lr.fit(train_poly, train_target)
print(lr.predict([[50**2, 50]])) 


print(lr.coef_, lr.intercept_)

point = np.arange(15,50)

plt.scatter(train_input, train_target)

#2차 방정식 그래프 그리기
plt.plot(point, 1.01*point**2 - 21.6*point + 116.05)

#길이가 50인 농어 학습
plt.scatter(50,1574,marker="^")
plt.xlabel('length')
plt.ylabel('weight')
plt.show()

#테스트 점수가 더 높아서 과소적합. -> 복잡한 모델이 필요.
print(lr.score(train_poly, train_target))
print(lr.score(test_poly, test_target))