03-1 k-최근접 이웃 회귀

지금까지는 주어진 것을 구분하여 정답을 고르는 문제를 해결해왔다. 그렇다면 무언가 고르는 문제말고, 예측하는 것도 할 수 있을까?

 

 

k-최근접 이웃 회귀

 

지도 학습 알고리즘은 크게 분류와 회귀로 나뉜다. 분류는 말 그대로 샘플을 몇 개의 클래스 중 하나로 분류하는 문제이다. 회귀는 클래스 중 하나로 분류하는 것이 아니라 임의의 어떤 숫자를 에측하는 문제이다. 

 

k- 최근접 이웃 회귀는 분류에서와 마찬가지로 예측하려는 샘플에 가장 가까운 샘플 k개를 선택한다. 그리고 그 샘플들의 타깃값의 평균을 구하는 방식으로 예측한다. 

 

 

 

데이터 준비

 

먼저 훈련 데이터를 준비하고, 산점도를 그려 데이터의 형태를 파악해보자. 

 

import numpy as np

perch_length = np.array([8.4, 13.7, 15.0, 16.2, 17.4, 18.0, 18.7, 19.0, 19.6, 20.0, 21.0,
       21.0, 21.0, 21.3, 22.0, 22.0, 22.0, 22.0, 22.0, 22.5, 22.5, 22.7,
       23.0, 23.5, 24.0, 24.0, 24.6, 25.0, 25.6, 26.5, 27.3, 27.5, 27.5,
       27.5, 28.0, 28.7, 30.0, 32.8, 34.5, 35.0, 36.5, 36.0, 37.0, 37.0,
       39.0, 39.0, 39.0, 40.0, 40.0, 40.0, 40.0, 42.0, 43.0, 43.0, 43.5,
       44.0])

perch_weight = np.array([5.9, 32.0, 40.0, 51.5, 70.0, 100.0, 78.0, 80.0, 85.0, 85.0, 110.0,
       115.0, 125.0, 130.0, 120.0, 120.0, 130.0, 135.0, 110.0, 130.0,
       150.0, 145.0, 150.0, 170.0, 225.0, 145.0, 188.0, 180.0, 197.0,
       218.0, 300.0, 260.0, 265.0, 250.0, 250.0, 300.0, 320.0, 514.0,
       556.0, 840.0, 685.0, 700.0, 700.0, 690.0, 900.0, 650.0, 820.0,
       850.0, 900.0, 1015.0, 820.0, 1100.0, 1000.0, 1100.0, 1000.0,
       1000.0])
       
       
import matplotlib.pyplot as plt
plt.scatter(perch_length,  perch_weight)
plt.xlabel('length')
plt.ylabel('weight')
plt.show()

 

주어진 농어 데이터를 보면 길이가 커짐에 따라 무게도 늘어나는 것을 확인할 수 있다. 본격적으로 머신러닝 모델에 사용하기 전에 훈련 세트와 테스트 세트로 나누자. 

 

from sklearn.model_selection import train_test_split
train_input, test_input, train_target, test_target = train_test_split(perch_length, perch_weight, random_state=42)