[ML]3. 머신러닝 과정 실습

머신러닝_03_머신러닝 과정 실습

 

[환경설정]Google Collaboratory

• 구글 드라이브-새로 만들기-더보기-연결할 앱 더보기

 

•  Collaboratory 검색

• 새로 만들기-더보기-Google Collaboratory

 

• 런타임-런타임 유형 변경-T4 GPU(대용량 데이터 처리

 

• 세션 종료: 런타임-세션관리-삭제 버튼

-파일 작성 완료 후 반드시 세션 종료해야 다른 파일 사용가능

 

[머신러닝 과정]

 

[AND 조건문제 실습]

1. 문제와 정답 DataFrame 형태로 만들기

import pandas as pd

and_df=pd.DataFrame({'A': [0,0,1,1,1,0,1,0], #문제

             'B': [0,1,0,1,0,0,1,1],

              'A and B': [0,0,0,1,0,0,1,0] #정답

              })

and_df

 

2. 훈련용과 테스트용으로 문제 분할

train=and_df.iloc[0:6] #훈련용 문제/답(0~5번째)

test=and_df.iloc[6: ] #테스트용 문제/답(6~7번째)

3. 문제와 정답 데이터 분할

#문제와 정답 분할

#train 분할

X_train=train.iloc[:, 0:2] #문제(0, 1 컬럼)

y_train=train.iloc[:, 2] #답(2 컬럼)

#y_train=train.iloc[:, -1] #2번째 방법



#test 분할

X_test=test.iloc[:, 0:2] #문제(0, 1 컬럼)

y_test=test.iloc[:, 2] #답(2 컬럼)

4. 모델 생성

#머신러닝 모델 실행하기

from sklearn.neighbors import KNeighborsClassifier

#모델 생성

knn_model=KNeighborsClassifier(n_neighbors=1)

 

5. 모델 학습

#모델 학습

knn_model.fit(X_train, y_train)

 

6. 모델 예측

#모델 예측

pre=knn_model.predict(X_test)

 

7. 모델 평가

from sklearn.metrics import accuracy_score #평가 라이브러리

accuracy_score(pre, y_test) #예측결과 실제 결과

 

[XOR 조건문제 실습]

• A,B 값이 모두 True이거나 False인 경우 False
• A,B 값이 서로 다를 경우 True

 

1. 데이터 만들기

#XOR 연산데이터 만들기

xor_df=pd.DataFrame({'A': [0,1,0,1,0,1,0,1,0,1],

                     'B': [1,0,0,1,0,1,1,0,1,0],

                     'A xor B': [1, 1, 0,0,0,0,1,1,1,1 ]

})

xor_df

 

2. 훈련용/평가용 데이터 분할

#훈련용/평가용 데이터 분할

train2=xor_df.iloc[0:7] #훈련용 데이터

test2=xor_df[7: ] #평가용 데이터

 

3. 문제/정답 데이터 분할

#문제와 정답 분할

#훈련용 문제/정답

X_train2=train2.iloc[:, 0:2] #문제

y_train2=train2.iloc[ :, 2] #정답



#평가용 문제/정답

X_test2=test2.iloc[:, 0:2] #문제

y_test2=test2.iloc[:, -1] #정답

 

4. 모델 생성

#모델 생성

knn_model2=KNeighborsClassifier(n_neighbors=1)

 

5. 모델 학습

#모델 학습

knn_model2.fit(X_train2, y_train2)

 

6. 모델 예측

#모델 예측

pre2=knn_model2.predict(X_test2)

 

7. 모델 평가

#모델 평가

accuracy_score(pre2, y_test2)