Chap 2. sklearn 개요

- 학습(fit), 예측(predict) 

LinearRegression 모델로 간단하게 학습과 예측을 구현해보려고 한다.

기본 사용 방법은 다음과 같다.

 

# 라이브러리 불러오기
from sklearn.linear_model import LinearRegression

# 모델 선언
model = LinearRegression()
# 모델에 데이터 학습
model.fit(x, y)
# 모델이 학습이 얼마나 되었는 지 검증 (=예측)
prediction = model.predict(x2)

 

다음의 데이터로 LinearRegression 모델의 간단한 학습과 예측을 수행하였다.

 

import numpy as np
from sklearn.linear_model import LinearRegression

# 샘플 데이터 생성
x = np.arange(11).reshape(-1,1)
y = (x*2+1).reshape(-1,1)

# 모델 선언
model = LinearRegression() 

# 학습
model.fit(x, y)

# 예측
prediction = model.predict([[11.0]])

※샘플 데이터 생성의 reshape

reshape는 2차원 배열로 재설정 해주는 함수인데, (ex. reshape(2,5) ==> 2행 5열의 행렬 생성)

인수 값을 -1을 주게 되면 해당 행(또는 열)이 자동으로 구조화되게 된다.

- np.arange(10).reshape(-1, 5) ==> 5열로 자동으로 구조화

[[0 1 2 3 4],

[5 6 7 8 9]]

- np.arange(10).reshape(5, -1) ==> 5행으로 자동으로 구조화

[[0 1],

[2 3],

[4 5],

[6 7],

[8 9]]

 

- 학습 데이터, 예측 데이터(train, test)

model.fix(x, y)

x : features 라고 불리며, 학습 데이터를 나타냄

y : labels 라고 불리며, 예측 데이터를 나타냄

 

즉, label이 있냐? 없냐?에 따라서 학습 데이터와 예측 데이터가 결정됨

 

- 검증 데이터(validation)

 

과대 적합과 과소 적합을 피하기 위해 학습 데이터 중의 일부분을 검증을 위한 데이터로 사용한다.

trainning set로 학습하고 validation set로 모니터를 해주면, 모델의 성능을 가장 높일 수 있는 점을 찾을 수 있다.

절대로 학습할 때, validation set가 관여되면 안된다 !!! 배제하고 trainning set로 학습을 해야한다.