KNN 분류 알고리즘 개념과 구현: 머신러닝에서 K-최근접 이웃 활용법

KNN ( K-Nearest-Neighbors)

예측하려는 데이터 X가 주어지면, 기존 데이터 중 속성이 비슷한 K개의 이웃을 먼저 찾는다. 다시 말해 데이터 X를 둘러싼 K개의 가장 가까운 이웃을 찾고, 이웃 데이터가 가장 많이 속해 있는 목표 클래스를 예측값으로 결정한다.

---

(1) 모델학습

# sklearn 라이브러리에서 KNN 분류 모형 가져오기
from sklearn.neighbors import KNeighborsClassifier
knn = KNeighborsClassifier(n_neighbors=7)
knn.fit(x_train, y_train)

* n_neighbors 옵션으로  k값을 지정한다.

* KNeighborsClassifier() 함수로 KNN모형 객체를 생성한다.

* fit()  메소드에 훈련 데이터를 입력하여 모델 학습을 학습시킨다.

(2) 예측

y_knn_pred = knn.predict(x_test)

* predict() 메소드에 x_test 테스트 데이터를 입력하여 모델의 예측값(y_knn_pred)을 산출한다.

(3) 성능 평가

# 성능평가
from sklearn.metrics import accuracy_score
knn_acc = accuracy_score(y_test, y_knn_pred)

* 모델 성능을 평가하기 위해 사이킷런 metrics 모듈에서 accuracy_score 함수를 불러온다.

* y_test : 테스트 데이터 x_test의  정답 레이블 / y_knn_pred : 모델의 예측값 

 

 

[machine learning] - 머신러닝 분류 알고리즘 - SVM

머신러닝 분류 알고리즘 - SVM