Scikit-Learn(사이킷런) 코드 완벽 분석 - Linear Regression 내장 데이터셋

 

 

# Code source: Jaques Grobler
# License: BSD 3 clause

 

코드 소스와 저작권은 위와 같음을 밝힙니다. 

 

 

import matplotlib.pyplot as plt
import numpy as np
from sklearn import datasets, linear_model
from sklearn.metrics import mean_squared_error, r2_score
%matplotlib inline

 

필요한 모듈을 가져옵니다.

 

 

# Load the diabetes dataset
diabetes = datasets.load_diabetes()

 

datasets의 당뇨병 데이터를 불러옵니다. 

 

 

그림1

 

참고로 sklearn의 datasets은 그림1과 같습니다.

 

만일 다른 dataset을 불러오고 싶다면 변수명과 load_(불러오고 싶은 데이터셋 이름)을 바꿔주면 됩니다.

 

 

 

boston = datasets.load_boston()

 

boston 데이터셋을 불러오는 코드입니다. 

 

 

그림2

 

당뇨병 데이터셋을 살펴보겠습니다. Samples total이 442고 Dimensionality가 10이니 (442 X 10) 행렬입니다.

 

Features(X or data)는 실수이며 -.2에서 .2사이이고 Targets(y or target)은 정수이며 25에서 346사이의 숫자로 이루어져있습니다. 

 

 

diabetes

그림3

 

실제 코드를 치면 그림3과 같은 결과가 나옵니다. 

 

# Use only one feature
diabetes_X = diabetes.data[:, np.newaxis, 2]

 

data의 한 열을 골라 X로 써줄 것입니다. 

 

diabetes.data[:, np.newaxis, 2]에서 ':' 는 전체 행을 가져오고 'np.newaxis'로 차원을 하나 늘려준 후 '2'로 3번째 열의 데이터를 가져오게 됩니다.

 

2인데 3번째 열을 가져오는 이유는 0부터 세기 때문입니다. 

 

결과적으로 diabetes_X는 (442 X 1) 행렬입니다. 

 

코드로 확인해보면 

 

diabetes_X.shape

그림4

 

 

 

# Split the data into training/testing sets
diabetes_X_train = diabetes_X[:-20]
diabetes_X_test = diabetes_X[-20:]

 

diabetes_X를 train set과 test set으로 나누어 주겠습니다. 

 

Train set은 처음부터 -19까지(마지막은 python이 포함시키지 않습니다) Test set은 -20부터 끝까지입니다.

 

각각의 행렬은 어떻게 될까요?

 

맨 처음 (442 X 1) 행렬이었으니 마지막 20개를 나눠주면 (422 X 1), (20, 1) 행렬이라고 추측할 수 있습니다.

 

확인해 보면 

 

print(diabetes_X_train.shape)
print(diabetes_X_test.shape)

그림5

 

역시 그러합니다. 

 

 

# Split the targets into training/testing sets
diabetes_y_train = diabetes.target[:-20]
diabetes_y_test = diabetes.target[-20:]

 

diabetes_y도 X와 마찬가지로 데이터 셋을 나누어줍니다. 

 

 

# Create linear regression object
regr = linear_model.LinearRegression()

 

그림6

 

sklearn의 선형 모델 중 선형회귀를 사용하겠습니다. 선형회귀의 설명은 그림6과 같습니다. 

 

당뇨병 데이터에서 Parameter를 조정해야 할 부분은 딱히 없습니다. 

 

 

 

# Train the model using the training sets
regr.fit(diabetes_X_train, diabetes_y_train)

 

위에서 만든 선형 회귀 모델에 diabetes_X_train, diabetes_y_train 데이터를 적합시킵니다. 

 

 

# Make predictions using the testing set
diabetes_y_pred = regr.predict(diabetes_X_test)

 

Train 데이터로 만들어진 회귀 직선에 diabetes_X_test라는 새로운 X를 넣어주어 y를 예측합니다.

 

 

# The coefficients
print('Coefficients: \n', regr.coef_)
# The mean squared error
print("Mean squared error: %.2f"
      % mean_squared_error(diabetes_y_test, diabetes_y_pred))
# Explained variance score: 1 is perfect prediction
print('Variance score: %.2f' % r2_score(diabetes_y_test, diabetes_y_pred))

그림7

 

모형 결과를 해석해 보겠습니다.

 

regr.coef_로 회귀 계수를

 

mean_squared_error로 MSE 값을

 

r2_score로 $R^{2}$ 값을 구할 수 있습니다. 

 

.2f는 소수점 둘째자리까지 나타내라는 뜻입니다. 

 

 

# Plot outputs
plt.scatter(diabetes_X_test, diabetes_y_test,  color='black')
plt.plot(diabetes_X_test, diabetes_y_pred, color='blue', linewidth=3)

plt.xticks(())
plt.yticks(())

plt.show()

 

plt.scatter는 산포도를 그려줍니다. diabetes_X_test, diabetes_y_test에 해당하는 점을 검은색으로 표시합니다.

 

plt.plot는 라인(line)그래프를 그려줍니다. diabetes_X_test, diabetes_y_pred에 해당하는 선을 파란색으로 굵기는 3으로 표시합니다.

 

plt.xticks(()), plt.yticks(())는 눈금을 나타내는 명령어입니다. 여기선 빈칸 괄호를 넣어주므로 눈금을 표시하지 않습니다.

 

plt.show는 그래프를 보여줍니다.

 

그림8

 

 

코드 원문 링크를 첨부합니다. 

 

https://scikit-learn.org/stable/auto_examples/linear_model/plot_ols.html#sphx-glr-auto-examples-linear-model-plot-ols-py

Linear Regression Example — scikit-learn 0.21.3 documentation