티스토리 뷰
#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))
'머신러닝 > 혼자공부하는머신러닝' 카테고리의 다른 글
확률적 경사 하강법 (0) | 2022.09.06 |
---|---|
proba, 로지스틱 회귀 (0) | 2022.08.25 |
pandas csv read, 다중 선형 회귀 (0) | 2022.08.23 |
혼공머_2 (0) | 2022.08.19 |
혼공머_1 (0) | 2022.08.06 |
공지사항
최근에 올라온 글
최근에 달린 댓글
- Total
- Today
- Yesterday
링크
TAG
- 논문 잘 쓰는법
- one-to-many
- SOME/IP
- 회귀
- 크로스 엔트로피
- json2html
- AE
- SVM
- automotive
- HTML
- 차량 네트워크
- many-to-one
- 케라스
- PCA
- Ethernet
- AVB
- 딥러닝
- CAN-FD
- many-to-many
- 차량용 이더넷
- problem statement
- porks
- AVTP
- 단순선형회귀
- automotive ethernet
- Python
- 이상탐지
- 머신러닝
- cuckoo
- 로지스틱회귀
일 | 월 | 화 | 수 | 목 | 금 | 토 |
---|---|---|---|---|---|---|
1 | 2 | 3 | 4 | 5 | 6 | 7 |
8 | 9 | 10 | 11 | 12 | 13 | 14 |
15 | 16 | 17 | 18 | 19 | 20 | 21 |
22 | 23 | 24 | 25 | 26 | 27 | 28 |
29 | 30 | 31 |
글 보관함