k-최근접 이웃 (KNN): 예측

이제 KNN 분류기를 학습시켰으니, 이를 사용하여 새 데이터 포인트의 레이블을 예측할 수 있습니다. 사용 가능한 모든 데이터가 학습에 사용되었지만, 다행히도 새로운 관측값을 사용할 수 있습니다. 이들은 여러분들을 위해 X_new로 미리 로드되어 있습니다.

이전 실습 문제에서 생성하고 데이터를 학습시킨 모델 knn이 미리 로드되어 있습니다. 분류기를 사용하여 새로운 데이터 포인트 집합의 레이블을 예측해 보세요:

X_new = np.array([[30.0, 17.5],
                  [107.0, 24.1],
                  [213.0, 10.9]])

이 연습은 강의의 일부입니다

scikit-learn으로 배우는 지도 학습

연습 안내

knn 모델을 사용하여 미확인 특성 X_new의 타깃 값을 예측하여 y_pred를 생성하세요.
예측 집합에 대한 예측된 레이블을 출력하세요.

실습형 인터랙티브 연습

이 예제를 이 샘플 코드를 완성하여 풀어보세요.

# Predict the labels for the X_new
y_pred = ____

# Print the predictions
print("Predictions: {}".format(____))

코드 편집 및 실행

이 연습은 강의의 일부입니다

scikit-learn으로 배우는 지도 학습

SkillTag.level.intermediateSkillTag.label

4.8+

무료로 강의 시작하기

이 챕터에서는 분류 문제에 대해 소개하고 지도 학습 기법을 활용하여 이를 해결하는 방법을 배우게 됩니다. 데이터를 학습 세트와 테스트 세트로 분할하고, 모델을 적합킨 후 예측을 수행하며, 정확도를 평가하는 방법을 학습합니다. 모델 복잡성과 성능 간의 관계를 알아보며, 학습한 내용을 텔레콤 회사의 고객 이탈 여부 분류 문제에 적용하게 됩니다.

Exercise 1: scikit-learn을 활용한 머신 러닝 Exercise 2: 이진 분류 Exercise 3: 지도 학습 워크플로 Exercise 4: 분류 과제 Exercise 5: k-최근접 이웃 (KNN): Fit Exercise 6: k-최근접 이웃 (KNN): 예측

현재 연습

Exercise 7: 모델 성능 측정 Exercise 8: 학습/테스트 분할 + 정확도 계산 Exercise 9: 과적합과 과소적합 Exercise 10: 모델 복잡도 시각화

이 챕터에서는 회귀 분석에 대해 소개하고, 광고 비용 데이터세트를 활용하여 매출 값을 예측하는 모델을 구축합니다. 선형 회귀의 메커니즘과 R-제곱, 평균 제곱근 오차(RMSE)와 같은 일반적인 성능 지표에 대해 학습합니다. k-겹 교차 검증을 수행하고, 회귀 모델에 정규화를 적용하여 과적합 위험을 감소시킬 것입니다.

Exercise 1: 회귀 입문 Exercise 2: 특성 만들기 Exercise 3: 선형 회귀 모델 구축하기 Exercise 4: 선형 회귀 모델 시각화하기 Exercise 5: 선형 회귀의 기초 Exercise 6: 회귀를 위한 학습 및 예측 Exercise 7: 회귀 성능 Exercise 8: 교차 검증 Exercise 9: R-제곱을 위한 교차 검증 Exercise 10: 교차 검증 지표 분석하기 Exercise 11: 정규화된 회귀 Exercise 12: 정규화된 회귀: 릿지 Exercise 13: 특성 중요도를 위한 라쏘 회귀

모델을 학습시켰으므로, 이제 이를 평가하는 방법을 학습합니다. 이 챕터에서는 분류 모델 성능을 분석하기 위한 여러 지표와 scikit-learn을 활용한 시각화 기법을 소개합니다. 또한 하이퍼파라미터 튜닝을 통해 분류 및 회귀 모델을 최적화하는 방법을 배우게 됩니다.

Exercise 1: 여러분의 모델은 얼마나 좋은가요?Exercise 2: 주요 지표 결정하기 Exercise 3: 당뇨병 예측 분류기 평가하기 Exercise 4: 로지스틱 회귀와 ROC 곡선 Exercise 5: 로지스틱 회귀 모델 구축하기 Exercise 6: ROC 곡선 Exercise 7: ROC AUC Exercise 8: 하이퍼파라미터 튜닝 Exercise 9: GridSearchCV를 사용한 하이퍼파라미터 튜닝 Exercise 10: RandomizedSearchCV를 활용한 하이퍼파라미터 튜닝

결측값을 대체하고, 범주형 데이터를 수치형 값으로 변환하고, 데이터를 스케일링하고, 여러 지도 학습 모델을 동시에 평가하고, 워크플로를 간소화하는 파이프라인을 구축하는 방법을 배우세요!

Exercise 1: 데이터 전처리 Exercise 2: 더미 변수 만들기 Exercise 3: 범주형 특성을 사용한 회귀 Exercise 4: - 결측치 처리하기 Exercise 5: 결측치 제거하기 Exercise 6: 노래 장르 예측을 위한 파이프라인: I Exercise 7: 노래 장르 예측을 위한 파이프라인: II Exercise 8: 중심화와 스케일링 Exercise 9: 회귀를 위한 중심화 및 스케일링 Exercise 10: 분류를 위한 중심화 및 스케일링 Exercise 11: 여러 모델 평가하기 Exercise 12: 회귀 모델 성능 시각화하기 Exercise 13: 테스트 세트에서 예측하기 Exercise 14: 분류 모델 성능 시각화하기 Exercise 15: 노래 인기도 예측을 위한 파이프라인 Exercise 16: 축하합니다!