Day63_Ai(1)_Pm

p : 경우의 수가 
np : 경우의 수가 많은것 현재 컴퓨터로 현재 시간에 처리를 할 수 없는것 2*

 

machine-learing 은 근사 알고리즘이다.

지도학습 = 어떠한 인풋값을 전달 해주고 이 인풋에 해당하는건 정답이 있다.

그래서 데이터가 쌍으로 가지고 있어야 한다.(target) / 인풋값 과 정답(target) 의 관계를 학습시키는것

 

비지도 학습 = 정답이 없다.

입력으로 넣어준 값을 target 으로 설정한다. 분포도에 관한걸 학습시키는 것 

 

강화 학습 (reinforcement) =  심리학에서 가져온 단어

배고픈 쥐를 케이스 안에 넣어 놓고 레버를 하나 넣어놓음, 해당 레버를 누를 시 먹이가 나오는 케이지

어떤한 것을 시행을 하고 그것에 대한 보답을 주는 방식 / 추상적이다.

 

 

 

지도학습

 

비지도 학습

데이터를 압축하는데 의미도 있다.

실제로 대표되는 값들이 있고 그것을 사용하여 차원축소

 

 

---

 

어떤 입력값을 줫을때 현재 모델이 있으면 그것에 대한 예측값을 내놓는데 이미 그것에 따른 답이 있으니 오차분석하고 론칭하는것을 ai 한테 넘기는것

위에거 모두 써 볼 예정

k-최근접 이웃 = 제일 하기 쉽지만, 성능이 그만큼 제일 떨어짐

설치하기 / 머신러닝

 

---

 

dataSamplewEx

from sklearn.datasets import make_regression
import matplotlib.pyplot as plt

features, target, coefficients = make_regression(n_samples=500,
                n_features=2,   #input값에 대한 특성 수 features,
                n_informative=2,    #타겟이 영향력을 끼치는것의 수
                n_targets=1,     # 정답의 수
                noise=0.0,
                coef= True,         #
                random_state=1      #안에 들어가는 데이터를 랜덤하게 넣는다. (seed)
                )
rvalue = make_regression(n_samples=500,  #데이터 샘플을 몇개 가지고 올것인가?
                n_features=2,   #input값에 대한 특성 수 features,
                n_informative=2,    #타겟이 영향력을 끼치는것의 수
                n_targets=1,     # 정답의 수
                noise=0.0,
                coef= True,         #
                random_state=1      #안에 들어가는 데이터를 랜덤하게 넣는다. (seed)
                )

# print(rvalue)
# print(len(rvalue))
print(features)
print(features.shape)
print(target.shape)
print(coefficients)

plt.scatter(features[:,0], features[:,1])
plt.show()

from sklearn.datasets import make_classification

features, targets = make_classification(n_samples=300,
                                        n_features=3,
                                        n_informative=3,
                                        n_redundant=0,    #하나의 속성이 아니라 여러개 묶을때 ex) bmi 지수
                                        n_classes=2,
                                        weights=[0.25,0.75], #비율
                                        random_state=1)
print()
print(features)
print(targets)
print()

 

군집데이터 만들기

#==========================군집데이터===============================

from sklearn.datasets import make_blobs

features, target = make_blobs(n_samples=500,
                              n_features=2,
                              centers=4,     #클러스트 / 4개의 군집을 만들겠다.
                              cluster_std=1,
                              shuffle=True, #섞을것인가
                              random_state=1)

print(targets)
plt.scatter(features[:,0], features[:, 1], c=target, s=30)
plt.show()

서클

#========================써클===================
from sklearn.datasets import make_circles

features, targets = make_circles(n_samples=100,
                                 factor=0.1,
                                 noise=0.1)
plt.scatter(features[:,0], features[:, 1], c=targets, s=50)
plt.show()

여기서 factor 를 0.5로 바꿨을 시

factor 안에 노란색의 점들의 반지름 값을 뜻한다.

 

문스

#====================문스=====================
from sklearn.datasets import make_moons

features, targets = make_moons(n_samples=400,
                               noise=0.1,
                               random_state=1)

plt.scatter(features[:,0], features[:, 1], c=targets, marker='o', s=50)
plt.show()

클러스팅?

 

 

---

 

k = 이웃에 대한 갯수

ex) k =1 이면 가장 가까운 이웃을 찾는다.

 

KNNEx1

import matplotlib.pyplot as plt
from sklearn.datasets import make_blobs
from sklearn.neighbors import KNeighborsClassifier

x, y = make_blobs(n_samples=500,
                  n_features=2,
                  centers=4,
                  cluster_std=1.5,
                  random_state=4)

plt.figure(figsize=(8,8))
plt.scatter(x[:,0], x[:,1], marker='*', edgecolors='k', s=80)
plt.show()

 

knn5 = KNeighborsClassifier(n_neighbors=5)   #근접된 이웃에 대해 몇개를 쓸것인지?
knn1 = KNeighborsClassifier(n_neighbors=1)

knn5.fit(x,y)       #모델을 학습시키겠다 x =input 값  y = target 값을 넣겠다.
knn1.fit(x,y)

y_pred5 = knn5.predict(x)
y_pred1 = knn1.predict(x)

from sklearn.metrics import accuracy_score
print('accuracy with k=5 : ', accuracy_score(y, y_pred5) * 100)
#정답 y 와 예측값 y_pred5 를 비교햇을 시 나오는 퍼센트
#accuracy with k=5 :  95.6
print('accuracy with k=1 : ', accuracy_score(y, y_pred1) * 100)
#accuracy with k=1 :  100.0

train 데이터는 학습진행, test 데이터는 평가진행을 할꺼야

07 : 0.3 이나 0.8: 0.2 비율로 하고 데이터량에 따라 설정해야 한다.

 

from sklearn.model_selection import train_test_split

x_train, x_test, y_train, y_test = train_test_split(x, y , test_size=0.25, random_state=0)
#trian data 는 75% test data는 25%

knn5.fit(x_train, y_train)
knn1.fit(x_train, y_train)

y_pred5 = knn5.predict(x_test)
y_pred1 = knn1.predict(x_test)

from sklearn.metrics import accuracy_score
print('accuracy with k=5 : ', accuracy_score(y_test, y_pred5) * 100)
#accuracy with k=5 :  93.60000000000001
print('accuracy with k=1 : ', accuracy_score(y_test, y_pred1) * 100)
#accuracy with k=1 :  90.4

# k = x  / x 를 하이퍼파라미터라고 함

 

#그래프를 통해서 좀더 직관적으로 확인하기
plt.figure(figsize=(12,5))
plt.subplot(121)
plt.scatter(x_test[:,0], x_test[:,1], c=y_pred5, marker='*', edgecolors='k',s=80)
plt.title('predicted values with k=5', fontsize=17)

plt.subplot(122)
plt.scatter(x_test[:,0], x_test[:,1], c=y_pred1, marker='*', edgecolors='k',s=80)
plt.title('predicted values with k=1', fontsize=17)
plt.show()

 

---

KNNEx2

#물고기들에 대한 길이와 무게
import matplotlib.pyplot as plt

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]


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_weight)
plt.scatter(smelt_length, smelt_weight)
plt.xlabel('length')
plt.ylabel('weight')
plt.legend(loc='best')
plt.show()

 

length = bream_length + smelt_length
weight = bream_weight + smelt_weight

fish_data = [[l,w] for l, w in zip(length, weight)]
print(fish_data)
# bream = 35개 [1]로 정의, smelt = 14개 [0]로 정의
fish_target = [1] * 35 + [0] * 14
print(fish_target)

from sklearn.model_selection import train_test_split

x_train, x_test, y_train, y_test = train_test_split(fish_data, fish_target,
                                                    test_size=0.2, random_state=42)

from sklearn.neighbors import KNeighborsClassifier

kn = KNeighborsClassifier(n_neighbors=5)
kn.fit(x_train,y_train)
print('test data accuracy :', kn.score(x_test, y_test) * 100)

# from sklearn.metrics import accuracy_score
# print('accuracy_score :', accuracy_score(y_test, ))

predict = kn.predict([[30,600]])
print('length:30 weight:600 predict =>', predict)

plt.scatter(bream_length, bream_weight, label='bream')
plt.scatter(smelt_length, smelt_weight, label='smelt')
plt.scatter(30, 600, marker='^')
plt.xlabel('length')
plt.ylabel('weight')
plt.legend(loc='best')
plt.show()

 

---