Ch04 다양한 분류 알고리즘

1. 럭키백의 확률

• k-최근점 이웃 분류기로 럭키백에 들어간 생선의 확률을 계산해보자

  

  

2. k-최근접 이웃 분류기의 확률 예측

• k-최근접 이웃 분류기로 테스트 세트에 들어있는 확률을 예측해보자
• 사이킷런의 KNeighborsClassifier클래스 객체를 만들고 훈련 세트로 모델을 훈련한 다음 훈련 세트와 테스트 세트의 점수를 확인해 보자

from sklearn.neighbors import KNeighborsClassifier

kn = KNeighborsClassifier(n_neighbors=3)
kn.fit(train_scaled, train_target)

print(kn.score(train_scaled, train_target)) # 0.8907563025210085
print(kn.score(test_scaled, test_target)) # 0.85

• 타깃 데이터를 만들때 fish['Species']를 통해 만들었기 때문에 훈련 세트와 테스트 세트의 타깃 데이터에도 7개의 생선 종류가 들어가 있다.
• 이렇게 타깃 데이터에 2개 이상의 클래스가 포함된 문제를 <다중 분류>라고 한다.
• KNeighborsClassifier에서 정렬된 타깃값은 classes_ 속성에 저장되어 있다.

print(kn.classes_)
# ['Bream' 'Parkki' 'Perch' 'Pike' 'Roach' 'Smelt' 'Whitefish']
# 알파벳 순서로 나옴을 확인 할 수 있다.

• predict() 메서드는 타깃 값으로 예측을 출력함
• 테스트 세트에 있는 처음 5개 샘플의 타깃값을 예측해보자

이 5개 샘플에 대한 예측은 어떤 확률로 만들어졌을까?