특징

• 파이썬 기반의 다른 머신러닝 패키지도 사이킷런 스타일의 API를 지향할 정도로 쉽고 파이썬스럽다.
• 머신러닝을 위한 매우 다양한 알고리즘과 개발을 위한 편리한 프레임워크와 API 제공.

붓꽃 데이터를 이용한 학습

import sklearn
from sklearn.datasets import load_iris
from sklearn.tree import DecisionTreeClassifier
from sklearn.model_selection import train_test_split

print(sklearn.__version__)     #버전 확인

import pandas as pd

iris = load_iris()    #붓꽃 데이터 세트 로딩

iris_data = iris.data

iris_label = iris.target
print('iris target값: ', iris_label)
print('iris target명: ', iris.target_names)

#DataFrane으로 변환해서 확
iris_df = pd.DataFrame(data=iris_data, columns=iris.feature_names)
iris_df['label'] = iris.target
iris_df .head()

#train_test_split()을 이용하여 학습 데이터와 테스트 데이터 분할
X_train, X_test, y_train, y_test = train_test_split(iris_data, iris_label, test_size=0.2, random_state=11)

• X_train: 학습용 피처 데이터 세트
• X_test: 테스트용 피처 데이터 세트
• y_train: 학습용 레이블 데이터 세트
• y_test: 테스트용 레이블 데이터 세트
• test_size=0.2: 테스트 데이터 20%, 학습 데이터 80%
• iris_data: 피처 데이터 세트
• iris_label: 레이블(Label) 데이터 세트
• random_state: 호출 때마다 같은 학습/테스트 용 데이터 세트를 생성하기 위해 주어지는 난수 발생 값. random값을 만드는 seed와 같은 의미

dt_clf = DecisionTreeClassifier(random_state=11)    #객체 생성
dt_clf.fit(X_train,y_train)    #학습 수행

#학습된 객체에서 테스트 데이터 세트로 예측 수
pred = dt_clf.predict(X_test)
from sklearn.metrics import accuracy_score
print('예측 정확도: {0:4f}'.format(accuracy_score(y_test,pred)))

사이킷런 주요 모듈