[python] scikit-learn을 활용한 결정 트리
많은 머신러닝 알고리즘 중 결정 트리는 데이터를 분류하거나 예측하는 데에 널리 사용되는 강력한 알고리즘입니다. scikit-learn은 파이썬에서 머신러닝을 위한 강력한 도구로 알려져 있으며, 결정 트리 모델을 구축하고 평가하는 데에도 매우 유용합니다.
결정 트리 모델 구축하기
scikit-learn을 사용하여 결정 트리 모델을 구축하는 과정은 다음과 같습니다:
- 필요한 패키지를 임포트합니다:
from sklearn.tree import DecisionTreeClassifier from sklearn.model_selection import train_test_split - 데이터를 불러옵니다:
X = ... # 입력 데이터 y = ... # 레이블 데이터 - 데이터를 학습용과 테스트용으로 분할합니다:
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) - 결정 트리 모델을 초기화하고 학습합니다:
model = DecisionTreeClassifier() model.fit(X_train, y_train) - 모델을 평가합니다:
accuracy = model.score(X_test, y_test)
결정 트리 모델 평가하기
결정 트리 모델의 성능을 평가하는 여러 가지 방법이 있습니다. 일반적으로는 정확도(accuracy)를 사용하여 모델의 성능을 측정합니다. 정확도는 예측값이 실제값과 얼마나 일치하는지를 측정하는 지표입니다. 더 높은 정확도는 모델의 성능이 더 좋다는 것을 의미합니다.
from sklearn.metrics import accuracy_score
y_pred = model.predict(X_test)
accuracy = accuracy_score(y_test, y_pred)
결과를 해석하기 위해 오차 행렬(confusion matrix)을 사용할 수도 있습니다. 오차 행렬은 실제 클래스와 예측 클래스를 비교하여 모델의 성능을 정량화한 표입니다.
from sklearn.metrics import confusion_matrix
cm = confusion_matrix(y_test, y_pred)
결론
scikit-learn을 활용하여 결정 트리 모델을 구축하고 평가하는 방법에 대해 알아보았습니다. 결정 트리는 데이터를 분류하거나 예측하는 데에 유용한 알고리즘이며, scikit-learn은 이를 쉽게 구현할 수 있는 도구입니다. 능숙한 사용자는 이를 통해 다양한 데이터 세트에 대한 결정 트리 모델을 구축하여 예측 모델을 만들 수 있습니다.
더 많은 정보를 알고 싶다면, scikit-learn 공식 문서를 참조하세요: scikit-learn documentation