commends.md

Notebook Commends

Data Loading

import pandas as pd
pd.options.display.max_rows=20
pd.options.display.max_columns=10

data = pd.read_csv('../dataset/train.csv')

data.head()
data.describe()
data.info()

파일을 github에서 바로 로드하는 방법은 아래와 같습니다.

• 경로조정전: https://github.com/Suji04/ML_from_Scratch/blob/master/Breast_cancer_data.csv
• 경로조정후: https://raw.githubusercontent.com/Suji04/ML_from_Scratch/master/Breast_cancer_data.csv

datapath = "https://raw.githubusercontent.com/Suji04/ML_from_Scratch/master/Breast_cancer_data.csv"
import pandas as pd
data = pd.read_csv(datapath)

Elapsed Time

시간 측정하는 방법은 아래와 같습니다.

import time
start = time.time()

# Operation

print('Elased time: %0.2fs' % (time.time()-start))

train_test_split

Train/Test dataset 분리를 합니다.

from sklearn.model_selection import train_test_split

X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=2)

accuracy_score

xgboost-heart-desease.ipynb와 같이 분류에서 score(accuracy)를 확인합니다.

model.fit(X_train, y_train)

y_pred = model.predict(X_test)

from sklearn.metrics import accuracy_score
score = accuracy_score(y_pred, y_test)

print('Accuracy: %0.2f' % (score))

이때의 결과는 아래와 같습니다.

Accuracy: 0.84

cross_val_score

Classification

xgboost-heart-desease.ipynb와 같이 교차검증(cross validation)으로 분류에서 Accuacy를 구합니다.

from sklearn.model_selection import cross_val_score
import numpy as np
​
scores = cross_val_score(model, X, y, cv=5)
​
print('Accuracy:', np.round(scores, 2))
print('Avg. Accuracy: %0.2f' % (scores.mean()))

Regression

xgboost-heart-desease.ipynb와 같이 교차검증으로 회귀에서 RMSE를 구할 수 있습니다.

from sklearn.model_selection import cross_val_score

model = LinearRegression()

scores = cross_val_score(model, X, y, scoring='neg_mean_squared_error', cv=50)

rmse = np.sqrt(-scores)

print('RMSE:', np.round(rmse, 2))
print('Avg. RMSE: %0.2f' % (rmse.mean()))

classification_report

xgboost-heart-desease.ipynb와 같이 분류에서 accuracy, precision, recall, f1-score을 아래와 같이 확인합니다.

from sklearn.metrics import classification_report
print(classification_report(y_true=y_test, y_pred = y_pred))

이때의 결과는 아래와 같습니다.

Feature Importance

xgboost-heart-desease.ipynb와 같이 Feature Importance의 값을 아래와 같이 확인합니다.

print(model.feature_importances_)

이때의 결과는 아래와 같습니다.

중요도를 그림으로 표시합니다.

import xgboost as xgb

feature_data = xgb.DMatrix(X_test)
model.get_booster().feature_names = feature_data.feature_names
model.get_booster().feature_types = feature_data.feature_types

import matplotlib.pyplot as plt
fig, ax = plt.subplots(figsize=(15, 8))
xgb.plot_importance(model, ax=ax, importance_type='gain')

이때의 결과는 아래와 같습니다.

Model의 parameter 확인하기

random-forest-census.ipynb와 같이 모델의 parameter들을 확인합니다.

best_model.get_params(deep=True)

이때의 결과는 아래와 같습니다.