1.7 첫 번째 애플리케이션: 붓꽃의 품종 분류

1.5 파이썬 2 vs. 파이썬 3 | 목차 | 1.8 요약

­

이번 절에서 간단한 머신러닝 애플리케이션을 훑어가면서 첫 번째 모델을 만들어보겠습니다. 그러면서 핵심 개념과 용어를 소개하겠습니다.

한 아마추어 식물학자가 들에서 발견한 붓꽃의 품종을 알고 싶다고 가정하겠습니다. 이 식물학자는 붓꽃의 꽃잎petal과 꽃받침sepal의 폭과 길이를 센티미터 단위로 측정하였습니다(그림 1-2).

또 전문 식물학자가 setosa, versicolor, virginica 종으로 분류한 붓꽃의 측정 데이터도 가지고 있습니다. 이 측정값을 이용해서 앞에서 채집한 붓꽃이 어떤 품종인지 구분하려고 합니다. 이 아마추어 식물학자가 야생에서 채집한 붓꽃은 이 세 종류뿐이라고 가정하겠습니다.

우리의 목표는 어떤 품종인지 구분해놓은 측정 데이터를 이용해 새로 채집한 붓꽃의 품종을 예측하는 머신러닝 모델을 만드는 것입니다.

1-2

그림 1-2 붓꽃의 부위

붓꽃의 품종을 정확하게 분류한 데이터를 가지고 있으므로 이 문제는 지도 학습에 속합니다. 이 경우에는 몇 가지 선택사항(붓꽃의 품종) 중 하나를 선택하는 문제입니다. 그러므로 이 예는 분류Classification 문제에 해당합니다. 출력될 수 있는 값(붓꽃의 종류)들을 클래스class라고 합니다. 데이터셋에 있는 붓꽃 데이터는 모두 세 클래스 중 하나에 속합니다. 따라서 이 예는 세 개의 클래스를 분류하는 문제입니다.

데이터 포인트 하나(붓꽃 하나)에 대한 기대 출력은 꽃의 품종이 됩니다. 이런 특정 데이터 포인트에 대한 출력, 즉 품종을 레이블label이라고 합니다.

1.7.1 데이터 적재

우리가 사용할 데이터셋은 머신러닝과 통계 분야에서 오래전부터 사용해온 붓꽃iris 데이터셋입니다. 이 데이터는 scikit-learn의 datasets 모듈에 포함되어 있습니다. load_iris 함수를 사용해서 데이터를 적재하겠습니다.

In[10]:

from sklearn.datasets import load_iris
iris_dataset = load_iris()

load_iris가 반환한 iris 객체는 파이썬의 딕셔너리Dictionary와 유사한 Bunch 클래스의 객체입니다. 즉 키와 값으로 구성되어 있습니다.

In[11]:

print("iris_dataset의 키: \n{}".format(iris_dataset.keys()))

Out[11]:

iris_dataset의 키:
dict_keys(['target_names', 'feature_names', 'DESCR', 'data', 'target'])

DESCR 키에는 데이터셋에 대한 간략한 설명이 들어 있습니다. 앞부분만 조금 살펴보겠습니다.

In[12]:

print(iris_dataset['DESCR'][:193] + "\n...")

Out[12]:

Iris Plants Database
====================

Notes
----
Data Set Characteristics:
:Number of Instances: 150 (50 in each of three classes)
:Number of Attributes: 4 numeric, predictive att
...

target_names의 값은 우리가 예측하려는 붓꽃 품종의 이름을 문자열 배열로 가지고 있습니다.

In[13]:

print("타깃의 이름: {}".format(iris_dataset['target_names']))

Out[13]:

타깃의 이름: ['setosa' 'versicolor' 'virginica']

feature_names의 값은 각 특성을 설명하는 문자열 리스트입니다.

In[14]:

print("특성의 이름: \n{}".format(iris_dataset['feature_names']))

Out[14]:

특성의 이름:
['sepal length (cm)', 'sepal width (cm)', 'petal length (cm)',
 'petal width (cm)']

실제 데이터는 target과 data 필드에 들어 있습니다. data는 꽃잎의 길이와 폭, 꽃받침의 길이와 폭을 수치 값으로 가지고 있는 NumPy 배열입니다.

In[15]:

print("data의 타입: {}".format(type(iris_dataset['data'])))

Out[15]:

data의 타입: <class 'numpy.ndarray'>

data 배열의 행은 개개의 꽃이 되며 열은 각 꽃에서 구한 네 개의 측정치입니다.

In[16]:

print("data의 크기: {}".format(iris_dataset['data'].shape))

Out[16]:

data의 크기: (150, 4)

이 배열은 150개의 붓꽃 데이터를 가지고 있습니다. 머신러닝에서 각 아이템은 샘플이라 하고 속성은 특성이라고 부릅니다. 그러므로 data 배열의 크기는 샘플의 수에 특성의 수를 곱한 값이 됩니다. 이는 scikit-learn의 스타일이며 항상 데이터가 이런 구조일 거라 가정하고 있습니다. 다음은 맨 처음 다섯 샘플의 특성값입니다.

In[17]:

print("data의 처음 다섯 행:\n{}".format(iris_dataset['data'][:5]))

Out[17]:

data의 처음 다섯 행:
[[ 5.1  3.5  1.4  0.2]
 [ 4.9  3.   1.4  0.2]
 [ 4.7  3.2  1.3  0.2]
 [ 4.6  3.1  1.5  0.2]
 [ 5.   3.6  1.4  0.2]]

이 데이터로부터 다섯 붓꽃의 꽃잎 폭은 모두 0.2cm이고, 첫 번째 꽃이 가장 긴 5.1cm의 꽃받침을 가졌음을 알 수 있습니다.

target 배열도 샘플 붓꽃의 품종을 담은 NumPy 배열입니다.

In[18]:

print("target의 타입: {}".format(type(iris_dataset['target'])))

Out[18]:

target의 타입: <class 'numpy.ndarray'>

target은 각 원소가 붓꽃 하나에 해당하는 1차원 배열입니다.

In[19]:

print("target의 크기: {}".format(iris_dataset['target'].shape))

Out[19]:

target의 크기: (150,)

붓꽃의 종류는 0에서 2까지의 정수로 기록되어 있습니다.

In[20]:

print("타깃:\n{}".format(iris_dataset['target']))

Out[20]:

타깃:
[0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 2 2
 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
 2 2]

숫자의 의미는 iris[‘target_names’] 배열에서 확인할 수 있습니다. 0은 setosa, 1은 versicolor, 2는 virginica입니다.

1.7.2 성과 측정: 훈련 데이터와 테스트 데이터

이 데이터로 머신러닝 모델을 만들고 새로운 데이터의 품종을 예측하려 합니다. 하지만 만든 모델을 새 데이터에 적용하기 전에 이 모델이 진짜 잘 작동하는지 알아야 합니다. 다시 말해서 우리가 만든 모델의 예측을 신뢰할 수 있는지 알아야 합니다.

불행히도 모델을 만들 때 쓴 데이터는 평가 목적으로 사용할 수 없습니다. 모델이 훈련 데이터를 그냥 전부 기억할 수 있으니 훈련 데이터에 속한 어떤 데이터라도 정확히 맞출 수 있기 때문입니다. 이렇게 데이터를 기억한다는 것은 모델을 잘 일반화하지 않았다는 뜻입니다(다른 말로는 새로운 데이터에 대해서는 잘 작동하지 않는다는 것입니다).

모델의 성능을 측정하려면 레이블을 알고 있는 (이전에 본 적 없는) 새 데이터를 모델에 적용해봐야 합니다. 이를 위해 우리가 가지고 있는 레이블된 데이터(150개의 붓꽃 데이터)를 두 그룹으로 나눕니다. 그중 하나는 머신러닝 모델을 만들 때 사용하며, 훈련 데이터 혹은 훈련 세트training set라고 합니다. 나머지는 모델이 얼마나 잘 작동하는지 측정하는 데 사용하며, 이를 테스트 데이터, 테스트 세트test set 혹은 홀드아웃 세트hold-out set라고 부릅니다.

scikit-learn은 데이터셋을 섞어서 나눠주는 train_test_split 함수를 제공합니다. 이 함수는 전체 행 중 75% 를 레이블 데이터와 함께 훈련 세트로 뽑습니다. 나머지 25%는 레이블 데이터와 함께 테스트 세트가 됩니다. 훈련 세트와 테스트 세트를 얼만큼씩 나눌지는 상황에 따라 다르지만 전체의 25%를 테스트 세트로 사용하는 것은 일반적으로 좋은 선택입니다. 1

scikit-learn에서 데이터는 대문자 X로 표시하고 레이블은 소문자 y로 표기합니다. 이는 수학에서 함수의 입력을 x, 출력을 y로 나타내는 표준 공식 f(x)=y에서 유래된 것입니다. 수학의 표기 방식을 따르되 데이터는 2차원 배열(행렬)이므로 대문자 X를, 타깃은 1차원 배열(벡터)이므로 소문자 y를 사용합니다.

train_test_split의 반환값을 저장하는 데 이 명명 규칙을 사용하겠습니다.

In[21]:

from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(
iris_dataset['data'], iris_dataset['target'], random_state=0)

train_test_split 함수로 데이터를 나누기 전에 유사 난수 생성기를 사용해 데이터셋을 무작위로 섞어야 합니다. 만약 섞지 않은 상태로 데이터셋 뒤쪽의 25%를 테스트 세트로 이용한다면 그 데이터의 레이블은 모두 2가 됩니다. 데이터 포인트가 레이블 순서대로 정렬되어 있기 때문입니다(앞에서 iris_dataset[‘target’]의 출력을 확인하세요). 세 클래스 중 하나만 포함한 테스트 세트를 사용하면 모델이 얼마나 잘 일반화되었는지 알 수 없습니다. 따라서 테스트 세트가 세 클래스의 데이터를 모두 포함하도록 섞어야 합니다.

이 함수를 여러 번 실행해도 결과가 똑같이 나오도록 유사 난수 생성기에 넣을 난수 초깃값을 random_state 매개변수로 전달합니다. 이렇게 하면 이 코드는 항상 같은 결과를 출력합니다. 이 책에서 난수를 사용할 때는 항상 이렇게 random_state를 고정할 것입니다.

train_test_split 함수의 반환값은 X_train, X_test, y_train, y_test이며 모두 NumPy 배열입니다. X_train은 전체 데이터셋의 75%를, X_test는 나머지 25%를 담고 있습니다.

In[22]:

print("X_train 크기: {}".format(X_train.shape))
print("y_train 크기: {}".format(y_train.shape))

Out[22]:

X_train 크기: (112, 4)
y_train 크기: (112,)

In[23]:

print("X_test 크기: {}".format(X_test.shape))
print("y_test 크기: {}".format(y_test.shape))

Out[23]:

X_test 크기: (38, 4)
y_test 크기: (38,)

1.7.3 가장 먼저 할 일: 데이터 살펴보기

머신러닝 모델을 만들기 전에 머신러닝이 없이도 풀 수 있는 문제는 아닌지, 혹은 필요한 정보가 누락되지는 않았는지 데이터를 조사해보는 것이 좋습니다.

또한 데이터를 탐색하면서 비정상적인 값이나 특이한 값들을 찾을 수도 있습니다. 예를 들어 붓꽃 데이터 중 일부는 센티미터가 아니고 인치로 되어 있을 수도 있습니다. 실제로 데이터에 일관성이 없거나 이상한 값이 들어가 있는 경우가 종종 있습니다.

시각화는 데이터를 조사하는 아주 좋은 방법입니다. 산점도scatter plot가 그중 하나입니다. 산점도는 데이터에서 한 특성을 x 축에 놓고 다른 하나는 y 축에 놓아 각 데이터 포인트를 하나의 점으로 나타내는 그래프입니다. 아쉽게도 컴퓨터 화면은 2차원이라 한 번에 2개(혹은 3개 2 )의 특성만 그릴 수 있습니다. 따라서 이 그래프로는 3개 이상의 특성을 표현하기 어렵습니다. 대신 모든 특성을 짝지어 만드는 산점도 행렬scatter matrix을 사용할 수 있습니다. 4개의 특성을 가진 붓꽃의 경우처럼 특성의 수가 적다면 꽤 괜찮은 방법입니다. 하지만 잊지 말아야 할 것은, 산점도 행렬은 한 그래프에 모든 특성의 관계가 나타나는 것이 아니기 때문에 각각의 나누어진 산점도 그래프에는 드러나지 않는 중요한 성질이 있을 수 있습니다.

[그림 1-3]은 훈련 세트를 사용해 만든 4개 특성에 대한 산점도 행렬입니다. 데이터 포인트의 색은 붓꽃의 품종에 따라 구분했습니다. 3 이 그래프를 그리려면 먼저 NumPy 배열을 pandas의 DataFrame으로 변경해야 합니다. pandas는 산점도 행렬을 그려주는 scatter_matrix 함수를 제공합니다. 이 그림의 대각선에 위치한 그래프는 각 특성의 히스토그램입니다.

In[24]:

# X_train 데이터를 사용해서 데이터프레임을 만듭니다.
# 열의 이름은 iris_dataset.feature_names에 있는 문자열을 사용합니다.
iris_dataframe = pd.DataFrame(X_train, columns=iris_dataset.feature_names)
# 데이터프레임을 사용해 y_train에 따라 색으로 구분된 산점도 행렬을 만듭니다.
pd.plotting.scatter_matrix(iris_dataframe, c=y_train, figsize=(15, 15), marker='o',
hist_kwds={'bins': 20}, s=60, alpha=.8, cmap=mglearn.cm3)

1-3

그림 1-3 클래스 레이블을 색으로 구분한 iris 데이터셋의 산점도 행렬

그래프를 보면 세 클래스가 꽃잎과 꽃받침의 측정값에 따라 비교적 잘 구분되는 것을 알 수 있습니다. 이것으로 미루어보아 클래스를 잘 구분하도록 머신러닝 모델을 학습시킬 수 있을 것입니다.

1.7.4 첫 번째 머신러닝 모델: k-최근접 이웃 알고리즘

이제 실제 머신러닝 모델을 만들어보겠습니다. scikit-learn은 다양한 분류 알고리즘을 제공합니다. 여기서는 비교적 이해하기 쉬운 k-최근접 이웃k-Nearest Neighbors, k-NN 분류기를 사용하겠습니다. 이 모델은 단순히 훈련 데이터를 저장하여 만들어집니다. 새로운 데이터 포인트에 대한 예측이 필요하면 알고리즘은 새 데이터 포인트에서 가장 가까운 훈련 데이터 포인트를 찾습니다. 그런 다음 찾은 훈련 데이터의 레이블을 새 데이터 포인트의 레이블로 지정합니다.

k-최근접 이웃 알고리즘에서 k는 가장 가까운 이웃 ‘하나’가 아니라 훈련 데이터에서 새로운 데이터 포인트에 가장 가까운 ‘k개’의 이웃을 찾는다는 뜻입니다(예를 들면 가장 가까운 세 개 혹은 다섯 개의 이웃). 그런 다음 이 이웃들의 클래스 중 빈도가 가장 높은 클래스를 예측값으로 사용합니다. 자세한 내용은 2장에서 보도록 하고, 지금은 하나의 이웃만 사용하겠습니다.

scikit-learn의 모든 머신러닝 모델은 Estimator라는 파이썬 클래스로 각각 구현되어 있습니다. 4 k-최근접 이웃 분류 알고리즘은 neighbors 모듈 아래 KNeighborsClassifier 클래스에 구현되어 있습니다. 모델을 사용하려면 클래스로부터 객체를 만들어야 합니다. 이때 모델에 필요한 매개변수를 넣습니다. KNeighborsClassifier에서 가장 중요한 매개변수는 이웃의 개수입니다. 우리는 1로 지정하겠습니다.

In[25]:

from sklearn.neighbors import KNeighborsClassifier
knn = KNeighborsClassifier(n_neighbors=1)
knn 객체는 훈련 데이터로 모델을 만들고 새로운 데이터 포인트에 대해 예측하는 알고리즘을 캡슐화한 것입니다. 또한 알고리즘이 훈련 데이터로부터 추출한 정보를 담고 있습니다. KNeighborsClassifier의 경우는 훈련 데이터 자체를 저장하고 있습니다.

훈련 데이터셋으로부터 모델을 만들려면 knn 객체의 fit 메서드를 사용합니다. 이 메서드는 훈련 데이터인 NumPy 배열 X_train과 훈련 데이터의 레이블을 담고 있는 NumPy 배열 y_train을 매개변수로 받습니다.

In[26]:

knn.fit(X_train, y_train)

Out[26]:

KNeighborsClassifier(algorithm='auto', leaf_size=30, metric='minkowski',
           metric_params=None, n_jobs=1, n_neighbors=1, p=2,
           weights='uniform')

fit 메서드는 knn 객체 자체를 반환합니다(그리고 knn 객체 자체를 변경시킵니다). 그래서 knn 객체가 문자열 형태로 출력됩니다. 5 이 출력에서 모델을 생성할 때 사용한 매개변수를 볼 수 있습니다. 거의 모든 매개변수가 기본값이고 n_neighbors=1은 우리가 지정한 값입니다. scikit-learn 모델들이 많은 매개변수를 가지고 있지만 대부분은 성능을 최적화하거나 특별한 목적으로 사용합니다. 앞의 출력 결과에 있는 이런 매개변수들을 신경 쓸 필요는 없습니다. scikit-learn 모델을 출력하면 매우 긴 내용이 나올 수 있지만 겁먹지 않아도 됩니다. 2장에서 중요 매개변수를 모두 다루겠습니다. fit 메서드의 출력에 어떤 새로운 정보가 있는 것은 아니므로 이 책의 나머지 부분에서는 나타내지 않겠습니다.

1.7.5 예측하기

이제 이 모델을 사용해서 정확한 레이블을 모르는 새 데이터에 대해 예측을 만들 수 있습니다. 야생에서 꽃받침의 길이가 5cm, 폭이 2.9cm이고 꽃잎의 길이가 1cm, 폭이 0.2cm인 붓꽃을 보았다고 가정합시다. 그럼 이 붓꽃의 품종은 무엇일까요? 먼저 이 측정값을 NumPy 배열, 즉 샘플의 수(1)에 특성의 수(4)를 곱한 크기의 NumPy 배열로 만들어보겠습니다.

In[27]:

X_new = np.array([[5, 2.9, 1, 0.2]])
print("X_new.shape: {}".format(X_new.shape))

Out[27]:

X_new.shape: (1, 4)

붓꽃 하나의 측정값은 2차원 NumPy 배열에 행으로 들어갑니다. scikit-learn은 항상 데이터가 2차원 배열일 것으로 예상합니다.

예측에는 knn 객체의 predict 메서드를 사용합니다.

In[28]:

prediction = knn.predict(X_new)
print("예측: {}".format(prediction))
print("예측한 타깃의 이름: {}".format(
iris_dataset['target_names'][prediction]))

Out[28]:

예측: [0]
예측한 타깃의 이름: ['setosa']

우리가 만든 모델이 새로운 붓꽃을 setosa 품종을 의미하는 클래스 0으로 예측했습니다. 그런데 어떻게 이 모델의 결과를 신뢰할 수 있을까요? 이 샘플의 정확한 품종을 모른다는 사실이 모델을 구축하는 데 있어서 중요한 의미를 가집니다.

1.7.6 모델 평가하기

앞서 만든 테스트 세트를 사용할 때가 왔습니다. 이 데이터는 모델을 만들 때 사용하지 않았고 테스트 세트에 있는 각 붓꽃의 품종을 정확히 알고 있습니다.

따라서 테스트 데이터에 있는 붓꽃의 품종을 예측하고 실제 레이블(품종)과 비교할 수 있습니다. 얼마나 많은 붓꽃 품종이 정확히 맞았는지 정확도를 계산하여 모델의 성능을 평가합니다.

In[29]:

y_pred = knn.predict(X_test)
print("테스트 세트에 대한 예측값:\n {}".format(y_pred))

Out[29]:

테스트 세트에 대한 예측값:
[2 1 0 2 0 2 0 1 1 1 2 1 1 1 1 0 1 1 0 0 2 1 0 0 2 0 0 1 1 0 2 1 0 2 2 1 0 2]

In[30]:

print("테스트 세트의 정확도: {:.2f}".format(np.mean(y_pred == y_test)))

Out[30]:

테스트 세트의 정확도: 0.97

또 knn 객체의 score 메서드로도 테스트 세트의 정확도를 계산할 수 있습니다.

In[31]:

print("테스트 세트의 정확도: {:.2f}".format(knn.score(X_test, y_test)))

Out[31]:

테스트 세트의 정확도: 0.97

이 모델의 테스트 세트에 대한 정확도는 약 0.97입니다. 이 말은 테스트 세트에 포함된 붓꽃 중 97%의 품종을 정확히 맞혔다는 뜻입니다. 이 결과 이 모델은 새로운 붓꽃에 대한 정확도가 97%일 것이라 기대할 수 있습니다. 정확도가 높으므로 아마추어 식물학자는 이 애플리케이션을 충분히 신뢰하고 사용할만합니다. 이후의 장들에서 모델의 성능을 높이는 방법과 모델을 튜닝할 때 주의할 점을 살펴보겠습니다.


  1. 옮긴이_ train_test_split 함수에서 test_size 매개변수로 테스트 세트의 비율을 지정할 수 있습니다.
  2. 옮긴이_ 3차원 산점도를 말하며, 2장에서 예를 볼 수 있습니다.
  3. 옮긴이_ 파란색이 setosa, 붉은색이 versicolor, 녹색이 virginica 품종을 나타냅니다.
  4. 옮긴이_ 이 모델 클래스들은 BaseEstimator 클래스를 상속받아 구현되어 있습니다.
  5. 옮긴이_ 주피터 노트북의 코드 셀은 마지막 줄의 반환값을 자동으로 출력합니다.

1.5 파이썬 2 vs. 파이썬 3 | 목차 | 1.8 요약

이 글은 한빛미디어에서 출간한  “파이썬 라이브러리를 활용한 머신러닝“의 1장과 2장입니다. 이 책의 저작권은 한빛미디어(주)에 있으므로 무단 복제 및 무단 전제를 금합니다.

답글 남기기

아래 항목을 채우거나 오른쪽 아이콘 중 하나를 클릭하여 로그 인 하세요:

WordPress.com 로고

WordPress.com의 계정을 사용하여 댓글을 남깁니다. 로그아웃 / 변경 )

Twitter 사진

Twitter의 계정을 사용하여 댓글을 남깁니다. 로그아웃 / 변경 )

Facebook 사진

Facebook의 계정을 사용하여 댓글을 남깁니다. 로그아웃 / 변경 )

Google+ photo

Google+의 계정을 사용하여 댓글을 남깁니다. 로그아웃 / 변경 )

%s에 연결하는 중