[chap 2-2] 데이터 전처리

❗ 문제점 ❗

길이가 25, 무게가 150인 도미를 빙어라고 예측을 한다.

💡 해결책 💡

뭐가 문제인지 먼저 알아본다.

📖 문제점 발견하기

1️⃣ 넘파이로 간단하게 데이터 형식 처리하기

• 앞 장에서 반복문과 리스트를 통해서 fish_data와 fish_target을 만들었다면 이제부터는 넘파이를 통해서 보다 간단하게 배열을 만들 예정이다.

from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier
import numpy as np
import matplotlib.pyplot as plt

fish_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, 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]
fish_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, 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]


fish_data = np.column_stack((fish_length, fish_weight))
fish_target = np.concatenate((np.ones(35), np.zeros(14)))
train_input, test_input, train_target, test_target = train_test_split(
    fish_data, fish_target, stratify=fish_target, random_state=42)

• coulumn_stack : [[l, w] for l, w in zip(length, weight)]과 같은 역할을 한다. 하나씩 뽑아서 매칭, 튜플 사용!
• concatenate : [1] _ 35 + [0] _ 14와 같은 역할을 한다. 연결
• train_test_split : 앞에서 인덱스를 랜덤으로 돌리고 인덱스에 해당하는 input과 target을 구했었는데, 이와 같은 역할을 모두 알아서!
  • stratify : 클래스 비율을 맞춰줌(도미와 빙어가 3:1정도로 되게끔)
  • random_state : seed와 같은 역할

2️⃣ 25, 150짜리 도미가 왜 빙어로 예측했을까?

• Kneighbors() : 이웃까지의 거리와 이웃 샘플의 인덱스를 반환하는 메소드

distances, indexes = kn.kneighbors([[25, 150]])

인덱스를 프린트해보면 1개만 도미로, 나머지 4개는 빙어로 예측하여 빙어로 예측함을 알 수 있다.

• ❓ 왜 이런 문제가 발생했을까? 길이와 무게의 기준이 다르기 때문이다. 길이의 범위는 (10~40)정도이고 무게는 (5~1000)정도이다. 결국 x, y축의 스케일이 달라서 발생한 문제이다.

3️⃣ 데이터 전처리하기(feat. 표준 점수)

k-최근접 이웃 알고리즘 같은 경우는 샘플 간의 거리에 많은 영향을 받으므로 특성값을 일정한 기준으로 맞춰 주어야 한다. 이를 위한 작업을 데이터 전처리 라고 한다. 표준 점수는 데이터 전처리 방법 중 하나로, 각 특성값이 평균에서 표준편차의 몇 배만큼 떨어져있는지를 나타낸다. ((특성값 - 평균) / 표준편차)

mean = np.mean(train_input, axis=0)
std = np.std(train_input, axis=0)
train_scaled = (train_input - mean) / std
new_sample = ([25, 150] - mean / std)
kn.fit(train_scaled, train_target)

• 브로드캐스팅 : 넘파이 배열들끼리 연산 쉽게 하는 넘파이 기능

🌗 테스트하기

test_scaled = (test_input - mean) / std
print(kn.score(test_scaled, test_target))
print(kn.predict([new_sample]))

• 생각해보니까 score이라는 함수는 애초에 내가 만든게 얼마나 정확한지를 보여주기 위함이고, predict 함수는 예측한 결과를 출력해주는 함수인 것이다.