서포터 벡터 머신 (SVM)

SVM 이론 참고 사이트

https://bkshin.tistory.com/entry/%EB%A8%B8%EC%8B%A0%EB%9F%AC%EB%8B%9D-2%EC%84%9C%ED%8F%AC%ED%8A%B8-%EB%B2%A1%ED%84%B0-%EB%A8%B8%EC%8B%A0-SVM

머신러닝 - 2. 서포트 벡터 머신 (SVM) 개념

# 파이썬 구현

BMI 식을 이용해 무작위 자료를 작성한다.

# BMI 식을 이용해 dataset을 작성 후 SVM 분류 모델 생성
# BMI 식 = 몸무게(kg) / (키(m) * 키(m))

# BMI 식을 이용해 무작위 자료 작성
import random

def calc_func(h, w):
    bmi = w / (h/100)**2
    if bmi < 18.5: return 'thin'
    if bmi < 24.0: return 'normal'
    return 'fat'

fp = open('bmi.csv', 'w')
fp.write('height, weight, label\n') #제목
cnt = {'thin':0, 'normal':0, 'fat':0}
random.seed(12)
for i in range(50000):
    h = random.randint(150, 200)
    w = random.randint(35, 100)
    label = calc_func(h, w)
    cnt[label] += 1
    fp.write('{0},{1},{2}\n'.format(h, w, label))
fp.close()

분류 모델을 불러와 정규화를 하고 모델을 실행해보자

# SVM 분류 모델을 적용
from sklearn import svm, metrics
from sklearn.model_selection import train_test_split
import matplotlib.pyplot as plt
import pandas as pd
import numpy as np

tbl = pd.read_csv('bmi.csv')

label = tbl[' label']

# weight, height는 정규화
w = tbl[' weight'] / 100
h = tbl['height'] / 200
wh = pd.concat([w,h], axis=1) #자료 합치기

label = label.map({'thin':0, 'normal':1, 'fat':2}) #dummy

# test / train
data_train, data_test, label_train, label_test = train_test_split( wh, label, random_state=1 )

# model = svm.SVC(C = 1).fit(data_train, label_train)
model = svm.LinearSVC(C = 1).fit(data_train, label_train) 

pred = model.predict(data_test)
print('실제값:', label_test[:10].values)
print('예측값:', pred[:10])

print(metrics.accuracy_score(label_test, pred)) #정확도
print(metrics.classification_report(label_test, pred)) #분류리포트

svc와 linearsvc 의 차이점을 참고할 사이트

https://data-scientist-brian-kim.tistory.com/72

[핸즈온 머신러닝 2/E] 5장. 서포트 벡터 머신

 

시각화 !

tbl2 = pd.read_csv('bmi.csv', index_col = 2)

def scatter_func(lbl, color):
    b = tbl2.loc[lbl]
    plt.scatter(b[' weight'], b['height'], c = color, label=lbl)

scatter_func('fat','red')
scatter_func('normal','yellow')
scatter_func('thin','blue')
plt.legend()
plt.show()