Machine Learning 실습 (17)

# 2. 모델 학습
# fit()
knn_model.fit(X_train, y_train)
tree_model.fit(X_train, y_train)
logi_model.fit(X_train, y_train)
svm_model.fit(X_train_sc, y_train)

 

# 3. 모델 예측
knn_pre = knn_model.predict(X_test)
knn_pre

 

tree_pre = tree_model.predict(X_test)
tree_pre

 

# logi predict
logi_pre = logi_model.predict(X_test)
logi_pre

 

# svm predict
svm_pre = svm_model.predict(X_test_sc)
svm_pre

 

# 모델 성능 평가
# accuracy_score(실제답, 예측값)
from sklearn.metrics import accuracy_score # 정확도 성능 지표
print('knn정확도:', accuracy_score(y_test, knn_pre))
print('tree정확도:', accuracy_score(y_test, tree_pre))
print('logi정확도:', accuracy_score(y_test, logi_pre))
print('svm정확도:', accuracy_score(y_test, svm_pre))

 

7. 예측의 불확실성

X_test.head()

 

# 실수 표현방법 변경
pd.options.display.float_format = '{:.15f}'.format
# pd.reset_option('display.float_format') 되돌리는 방법
# 10개의 X_test 확인하기
# e 지수
# float 값이 너무 크거나 너무 작을 경우 과학적으로 표기하는 방법 => 지수표기법
pd.DataFrame(logi_model.predict_proba(X_test.iloc[:10]))

 

X_test.iloc[8]

 

plt.imshow(X_test.iloc[8].values.reshape(28,28),cmap='gray')
plt.show()