[Python] IRIS

- IRIS 머신러닝 최고의 모델 찾기 -

 

 

 

<개요>

1. seaborn 라이브러리를 활용하여 IRIS dataset 을 로드

2. 데이터 전처리 진행

3. sklearn 에서 제공하는 여러 모델을 활용하여 학습

4. 예측 후 정확도 측정

 

 

# IRIS

IRIS 붓꽃은 4가지 특성을 가지고, 3가지 종류의 꽃을 구별하는 분류 예제이다.

 

# seaborn

seaborn은 matplotlib을 기반으로 다양한 색상 테마와 통계용 차트 등의 기능을 추가한 시각화 패키지이다. 

 

 

# sklearn

Scikit-learn은 Python 프로그래밍 언어를위한 무료 소프트웨어 기계 학습 라이브러리이다.

 

 

 

<코드 설명>

# 통계 / 차트를 나타내기 위한 라이브러리
import seaborn as sns
import matplotlib.pyplot as plt
# 정확도
from sklearn.metrics import accuracy_score
# 사용할 모델
from sklearn.linear_model import LogisticRegression
from sklearn.neighbors import KNeighborsClassifier
from sklearn.svm import SVC
from sklearn.naive_bayes import GaussianNB

라이브러리 import

 

 

# iris dataset load
iris = sns.load_dataset('iris')

print(iris.head(5))
print(iris.info())

IRIS dataset load

 

생긴 것을 보아하니

iris.head(5)

 

iris.info()

데이터 갯수 : 150개

Column 갯수 : 5개

Feature 갯수 : 4개

Dtype : species 는 object 이므로, 학습시키기 전에 int형으로 전환 필요

 

 

data = iris.iloc[:, :-1] # 전체 행, 마지막 열 앞에까지
target = iris.iloc[:, -1] # 전체 행, 마지막 열
target.replace({'setosa':0,'versicolor':1,'virginica':2}, inplace=True) # 라벨 인코딩 -> 해줘야 학습 가능

data 와 target 분리

 

 

# dataset 분리
train_data = data[: 120]
train_target = target[:120]

test_data = data[120:]
test_target = target[120:]

train data 와 test data 분리

보통 80% 정도를 train data 로 활용하여 학습

 

 

# feature 상관관계
# hue는 색상 => 보통 target data를 서로 다른 색을 구분지어 칠하고 싶을때 사용
sns.pairplot(iris, hue='species') 
plt.show()

feature들 간 산점도 그래프

 

 

# 모델 정의
lr = LogisticRegression()
km = KNeighborsClassifier()
svc = SVC()
gnb = GaussianNB()

model_list = [lr, km, svc, gnb]

사용할 모델들을 list up

 

 

for model in model_list:
    # 학습
    model.fit(train_data, train_target)
    
    # 예측
    pred = model.predict(test_data)
    
    # gt data (test_target) 과 예측결과를 비교하여 정확도 산출
    print(f'사용 모델 : {model}\n예측 정확도 : {round(accuracy_score(test_target, pred), 4) * 100}%')
    print()

학습 및 예측, 정확도 산출

 

 

 

<전체 코드>

import seaborn as sns
import matplotlib.pyplot as plt
from sklearn.metrics import accuracy_score
from sklearn.linear_model import LogisticRegression
from sklearn.neighbors import KNeighborsClassifier
from sklearn.svm import SVC
from sklearn.naive_bayes import GaussianNB

iris = sns.load_dataset('iris')

print(iris.head(5))
print(iris.info())

data = iris.iloc[:, :-1]
target = iris.iloc[:, -1]
target.replace({'setosa':0,'versicolor':1,'virginica':2}, inplace=True)

train_data = data[: 120]
train_target = target[:120]
test_data = data[120:]
test_target = target[120:]

sns.pairplot(iris, hue='species')
plt.show()

lr = LogisticRegression()
km = KNeighborsClassifier()
svc = SVC()
gnb = GaussianNB()

model_list = [lr, km, svc, gnb]

for model in model_list:
    model.fit(train_data, train_target)
    pred = model.predict(test_data)
    print(f'사용 모델 : {model}\n예측 정확도 : {round(accuracy_score(test_target, pred), 4) * 100}%')
    print()

 

 

 

<실행 화면>

사용모델과 정확도

GaussianNB() 모델이 93.33%로 압도적 승리 !

 

 

 

 

- Just Do It -