[혼공학습단 8기] 혼자 공부하는 머신러닝+딥러닝 1주차

기본 미션

코랩 실습 화면 캡쳐 하기

구글 코랩으로 실습하는 화면

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]

import matplotlib.pyplot as plt # matplotlib : 파이썬에서 과학계산용 그래프를 그리는 대표적인 패키지

plt.scatter(bream_length, bream_weight) # scatter() : 산점도를 그리는 함수
plt.xlabel('length') # x축 이름 표시
plt.ylabel('weight') # y축 이름 표시
plt.show() # 화면에 그래프 출력 

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) # 주황색이 빙어
plt.scatter(smelt_length, smelt_weight) # 파란색이 도미
plt.xlabel('length')
plt.ylabel('weight')
plt.show()

# 두 리스트 합치기
length = bream_length + smelt_length
weight = bream_weight + smelt_weight

fish_data = [[l, w] for l, w in zip(length, weight)]
# print(fish_data)

fish_target = [1] *35 + [0]*14
# print(fish_target)

from sklearn.neighbors import KNeighborsClassifier
kn = KNeighborsClassifier() # 객체 생성 (== 인스턴스를 만든다.)
kn.fit(fish_data, fish_target) # 훈련 : 모델에 데이터를 전달하여 규칙을 학습하는 과정

kn.score(fish_data, fish_target) # 여기서 리턴하는 값이 정확도(accuracy) 이다.

plt.scatter(bream_length, bream_weight)
plt.scatter(smelt_length, smelt_weight)
plt.scatter(30, 600, marker='^')
plt.xlabel('length')
plt.ylabel('weight')
plt.show()

kn.predict([[30, 600]])

# print(kn._fit_X)

# print(kn._y)

kn49 = KNeighborsClassifier(n_neighbors=49)

kn49.fit(fish_data, fish_target)
kn49.score(fish_data, fish_target)

# print(35/49)

선택 미션

2-1 확인 문제

1. 머신러닝 알고리즘의 한 종류로서 샘플의 입력과 타깃을 알고 있을 때 사용할 수 있는 학습 방법은 무엇인가요?
   1. 지도 학습 -> 지도 학습 알고리즘은 훈련하기 위한 데이터와 정답이 필요합니다 
   2. 비지도 학습 X
   3. 차원 축소 X
   4. 강화 학습 X
2. 훈련 세트와 테스트 세트가 잘못 만들어져 전체 데이터를 대표하지 못하는 현상을 무엇이라고 부르나요?
   1. 샘플링 오류 X
   2. 샘플링 실수 X
   3. 샘플링 편차 X
   4. 샘플링 편향 -> 훈련 세트와 테스트 세트를 잘 분류하지 않으면 샘플링 편향이 발생한다.
3. 사이킷런은 입력 데이터가 어떻게 구성되어 있을 것으로 기대하나요?
   1. 행: 특성, 열: 샘플 
   2. 행: 샘플, 열: 특성 O
   3. 행: 특성, 열: 타깃
   4. 행: 타깃, 열: 특성