학습 목표
- 사이킷런으로 랜덤값을 고정하여 모델을 학습할 수 있다.
핵심 키워드
- random_state
- Decision Tree
- Accuracy score
학습하기
4.1.2 랜덤값을 고정하여 디시전트리로 학습과 예측하기
학습내용
학습과 예측하기
from sklearn.tree import DecisionTreeClassifier
model = DecisionTreeClassifier(max_depth=11, random_state=42)
modelDecisionTreeClassifier를 선언하여 사용해보겠습니다.
결과 :
model.fit(X_train, y_train)
모델을 학습시킵니다.
결과 :
y_predict = model.predict(X_test)
y_predict예측을 하고, 결과를 y_predict에 담습니다. 0이면 당뇨병이 발병하지 않고, 1은 발병합니다.
결과 :
abs(y_predict - y_test).sum()다르게 예측한 갯수를 구해서 diff_count 에 넣습니다.
28개가 틀렸다고 나오는데 데이터를 랜덤하게 섞었으므로 지난번보다 더 많이 틀렸다고 생각해볼 수 있습니다.
모델링을 할 때마다 diff_count가 달라지는데,
동일 조건에서 동일 accuracy가 나오게 하고 싶다면 모델에서 random_state를 같은 숫자로 지정해줍니다.
결과 :
28
from sklearn.metrics import accuracy_score
accuracy_score(y_test, y_predict) * 100accuracy score를 구합니다. 지난 모델에서는 오버피팅이 발생한 것으로 예상할 수 있습니다.
결과 :
- Google Colaboratory
https://colab.research.google.com
- pima-classification-baseline-03.ipynb