[머신런닝 2] 머신러닝 분석 - Iris_분석

🌸 [머신러닝 입문] 세상에서 가장 유명한 데이터, 붓꽃(Iris) 품종 예측하기

1. Iris 데이터셋이란? (이론)

프랑스의 국화이기도 한 붓꽃(Iris)은 '좋은 소식', '사랑의 메세지'라는 예쁜 꽃말을 가지고 있습니다. 이 붓꽃 데이터는 1936년 통계학자 로널드 피셔(Ronald Fisher)의 논문에서 처음 사용된 이후, 머신러닝 분류(Classification) 문제의 교과서처럼 쓰이고 있습니다.

우리의 목표는 붓꽃의 형태(데이터)를 보고, 이 붓꽃이 3가지 품종(Setosa, Versicolor, Virginica) 중 어디에 속하는지 컴퓨터가 스스로 맞추게 하는 것입니다.

컴퓨터에게 힌트를 줄 데이터(Feature)는 총 4가지입니다.

1. Sepal Length: 꽃받침의 길이
2. Sepal Width: 꽃받침의 폭(너비)
3. Petal Length: 꽃잎의 길이
4. Petal Width: 꽃잎의 폭(너비)

---

2. 데이터 가져오기 및 탐색 (실무)

파이썬의 대표적인 머신러닝 라이브러리인 scikit-learn(사이킷런)은 연습용 데이터(Toy dataset)를 내장하고 있습니다.

💻 scikit-learn 데이터셋 로드하기

Python

 

from sklearn.datasets import load_iris

# 데이터 불러오기
iris = load_iris()
print(type(iris))
print(iris.keys()) 

사이킷런의 데이터셋은 딕셔너리와 유사한 Bunch 객체로 되어 있습니다. keys()를 통해 어떤 정보가 들어있는지 확인해 보면 다음과 같은 핵심 구성 요소를 볼 수 있습니다.

• data: Feature (입력 데이터, X) - 꽃잎과 꽃받침의 길이/너비 숫자들
• target: Label (정답 데이터, y) - 0, 1, 2 로 표현된 품종
• target_names: 정답의 진짜 이름 - ['setosa', 'versicolor', 'virginica']
• feature_names: 입력 데이터 컬럼 이름
• DESCR: 데이터셋에 대한 상세 설명서

💻 데이터를 Pandas 데이터프레임으로 예쁘게 보기

숫자만 보면 어지러우니 Pandas를 이용해 엑셀 표처럼 예쁘게 만들어 봅시다.

Python

 

import pandas as pd

# 입력 데이터(X)로 데이터프레임 생성
df = pd.DataFrame(iris['data'], columns=iris['feature_names'])

# 정답(y) 컬럼 추가
df['품종'] = iris['target']

# 0, 1, 2 대신 진짜 품종 이름으로 변환 (apply 함수와 lambda 활용)
df['품종_이름'] = df['품종'].apply(lambda i : iris['target_names'][i])

df.head()

• 💡 핵심 이론: .apply(함수)는 데이터프레임의 컬럼 데이터들을 일괄적으로 처리할 때 사용하는 마법의 메소드입니다. 여기서는 0, 1, 2 숫자를 배열의 인덱스로 삼아 실제 이름으로 맵핑했습니다.

---

3. 규칙 기반 vs 머신러닝 (이론)

만약 어떤 꽃의 꽃받침(Sepal)이 길이 5cm, 폭 3.5cm 이고 꽃잎(Petal)이 길이 1.4cm, 폭 0.25cm 라면 무슨 종일까요?

• 규칙 기반 (전통적 프로그래밍): 프로그래머가 직접 데이터를 보고 if (sepal_length < 5.5) and (petal_length < 2): return 'Setosa' 처럼 규칙을 하나하나 코딩해야 합니다. 조건이 복잡해지면 인간이 규칙을 찾을 수 없습니다.
• 머신러닝: 컴퓨터에게 "데이터와 정답을 줄 테니, 넌 규칙(패턴)만 알아서 찾아내!" 라고 시키는 것입니다.

• 

---

4. 결정 트리(Decision Tree)로 모델 만들기 (실무)

Shutterstock

결정 트리(Decision Tree)는 스무고개 놀이처럼 "꽃잎 길이가 2.45cm 이하인가요?" 같은 질문을 던지며 데이터를 분류해 나가는 직관적인 알고리즘입니다.

머신러닝 모델 구현은 딱 4단계만 기억하세요!

💻 모델 4단계 프로세스

Python

 

import numpy as np
from sklearn.tree import DecisionTreeClassifier

# 1. 모델 import
# (분류 문제이므로 Classifier를 사용합니다)

# 2. 모델 생성
model = DecisionTreeClassifier()

# 3. 모델 학습 시키기 (fit)
# 입력 데이터(iris.data)와 정답(iris.target)을 던져주고 규칙을 찾게 합니다.
model.fit(iris.data, iris.target) 

# 4. 새로운 데이터 예측하기 (predict)
new_data = np.array([
    [5, 3.5, 1.4, 0.25], 
    [2, 2.2, 5.3, 2.2]
])
result = model.predict(new_data)

for label in result:
    print(label, iris.target_names[label])

짜잔! 모델이 새로운 데이터를 보고 스스로 품종을 예측해 냈습니다.

---

5. 진짜 좋은 모델일까? (데이터 분할과 평가)

우리가 만든 모델이 진짜 똑똑한지 어떻게 알 수 있을까요? 방금은 학습에 사용한 데이터를 그대로 가지고 훈련만 시킨 상태입니다. 마치 모의고사 문제와 답지를 통째로 외우게 한 뒤, 똑같은 모의고사로 수능을 보게 하는 것과 같습니다. 당연히 100점이 나오겠죠? (이를 과적합, Overfitting이라고 합니다)

💻 Train / Test 분할하기

진짜 실력을 평가하려면 공부할 데이터(Train)와 시험 볼 데이터(Test)를 나눠야 합니다. 통상적으로 8:2 비율로 나눕니다.

Python

 

from sklearn.model_selection import train_test_split

X_train, X_test, y_train, y_test = train_test_split(
    iris.data, 
    iris.target, 
    test_size=0.2,          # 테스트 데이터를 20%로 설정
    stratify=iris.target,   # ★중요: 정답(Class)의 비율을 원본과 동일하게 맞춤
    random_state=0          # 데이터를 랜덤으로 섞을 때 결과가 매번 안 바뀌게 시드 고정
)

💻 재학습 및 평가 (정확도 & 혼동행렬)

이제 분할된 훈련 데이터(X_train, y_train)로만 다시 학습시키고, 시험 데이터(X_test, y_test)로 평가를 해봅시다.

Python

 

from sklearn.metrics import accuracy_score, confusion_matrix

# 모델 다시 생성 및 학습 (Train 데이터로만!)
tree_model = DecisionTreeClassifier(random_state=0)
tree_model.fit(X_train, y_train)

# 예측 수행 (Test 데이터의 정답을 가리고 문제만 줌)
pred_test = tree_model.predict(X_test)

# 1. 정확도(Accuracy) 평가: 전체 중에 몇 개나 맞췄어?
acc_test = accuracy_score(y_test, pred_test)
print(f"Testset 정확도: {acc_test:.5f}")

# 2. 혼동행렬(Confusion Matrix): 대체 뭘 틀린 거야?
cm_test = confusion_matrix(y_test, pred_test)
print(pd.DataFrame(cm_test))

• 정확도(Accuracy)는 전체 문제 중 정답을 맞춘 비율입니다.
• 혼동행렬(Confusion Matrix)은 행(Row)은 '실제 정답', 열(Column)은 '모델이 예측한 값'을 나타내는 표입니다. 모델이 특별히 어떤 품종을 다른 품종으로 헷갈려하는지 정밀하게 분석할 때 사용합니다.

---

📝 [실습 TODO] 내 손으로 직접 해보기!

오늘 배운 전체 프로세스를 바탕으로 빈 셀에 직접 코드를 작성해 보세요. 에러가 나면 블로그의 위 코드를 참고하면서 해결해 보는 것이 최고의 공부입니다!

• TODO 1: DecisionTreeClassifier 모델을 생성할 때, max_depth=3 이라는 옵션을 넣어서 모델을 만들어 보세요. (예: DecisionTreeClassifier(max_depth=3))
• TODO 2: 생성한 모델을 X_train, y_train 데이터를 이용해 학습(fit)시켜 보세요.
• TODO 3: X_test 데이터를 넣어 예측(predict)을 수행하고 결과를 my_pred라는 변수에 저장하세요.
• TODO 4: 실제 정답인 y_test와 내가 예측한 my_pred를 비교하여 accuracy_score (정확도)를 출력해 보세요. 과연 몇 퍼센트의 정확도가 나올까요?