매일매일 딥러닝

안녕하세요

오늘은 R로 하는 머신러닝 지도학습 분류 3번째,

결정 트리에 대해 알아보도록 하겠습니다.

우선

1. 의사결정 트리란?

의사결정 rule을 계층적 나무구조로 도표화하여 분류 및 예측할 수 있는 분석 방법

분류율에 대한 정확도만 따지면 신경망 또는 회귀분석등의 분류 방법들보다 낮게 평가되기도 하지만

" 결과를 쉽게 이해하고 설명할 수 있으며 의사결정을 하는데 직접적으로 사용할 수 있다 "

는 장점이 있습니다!

2. 의사결정 트리의 알고리즘의 다양한 종류

각각의 이름과 알고리즘의 기준 속성은 다음과 같습니다.

ID3 : 엔트로피

C4.5, C5.0 : 정보획득량

CART : 카이제곱

CHAID : 카이제곱

3. 의사결정 트리 알고리즘에서 고려해야할 문제

1) 훈련 데이터를 어떤 속성으로 분할해야하는가?

위의 다양한 기준이 있는 이유 또한 이 질문에 대한 각각의 답을 낸 결과 아닐까요?

2) 트리 성장(분할과정)은 언제, 어떻게 정지해야하는가?

의사결정 트리를 시각화하여 순도가 높게 분류되는지 확인하기

3) 과적합 문제는 어떻게 해결해야할까?

가지치기(tree pruning)를 이용하여 불필요한 질문 제거하기

4. C5.0 알고리즘 이용하기

정보획득량을 기준으로 결정 트리를 시각화 하도록 하겠습니다.

정보획득량이란 무엇일까요?

정보획득량 = 분할전 엔트로피 - 분할 후 엔트로피

그렇다면 엔트로피의 공식을 알아봅시다.

위의 식을 이해하려면 log 와 확률을 알아야합니다.

모르는 분들을 위해 제 블로그에 각각 간단하게 포스팅하였습니다~

5. 코드로 알아보기

decision_tree_fun <- function(){
  
  # 1. 필요한 패키지 설치
  # install.packages("C50")
  # C50 라이브러리
  library(C50)
  # 이원교차표 라이브러리
  library(gmodels)
  # tree 시각화를 위한 패키지
  library(rpart)
  library(rattle)

  # 2. 데이터 로드하기
  print("분석할 csv파일을 입력하세요 ")

  data <- file.choose()

  na.string <- NA

  table1 <- read.csv(data, header = T, na.string = na.string)
  
  d_col <- menu(c(colnames(table1),'none'), title="삭제할 컬럼을 선택하시오 ")
  
  table1 <- table1[,-d_col]

  l_col <- menu(colnames(table1), title="label이 될 컬럼을 선택하시오 ")
  
  # 연속형데이터는 factor로 변환하지 않는다.
    # 팩터 라벨 한글 제거
  fctr_ls <- which( sapply(table1, class) == "factor" )

  if( length(fctr_ls) !=0 ) {

    cat('***주의***\nFactor에 한글이 포함되어 있으면 에러가 발생할 수 있습니다.
          \nFactor 라벨을 영문 혹은 숫자로 변경하십시오.\n\n')

    while( TRUE ) {

      chg_num <- menu(c('SKIP', colnames(table1)[fctr_ls]) ,
                       title = "라벨을 변환할 팩터컬럼을 선택하세요\n
                       -> 더이상 변환할 컬럼이 없다면 SKIP을 선택합니다.")

      if( chg_num == 1 ) break

      chng_lv <- NULL
      lv <- levels( table1[,fctr_ls[chg_num-1]] )

      for( i in 1:length(lv) ) {

        chng_lv <- c(chng_lv,
                     readline( paste('기존 :',
                                     lv[i],
                                     '-> 변경 : ')) )
      }

      levels( table1[,fctr_ls[chg_num-1]] ) <- chg_lv
    }
  }

  trials <- readline(prompt = "trials 값을 입력하세요 ")

  
  # 3. 데이터 shuffle 하기
  # 조절할 것1_set.seed()
  set.seed(11)
  table_shuffle <- table1[sample(nrow(table1)),]


  # 4. train 데이터와 test 데이터 나누기 
  train_num <- round(0.7*nrow(table_shuffle),0)
  table_train <- table_shuffle[1:train_num, ]
  table_test <- table_shuffle[(train_num +1): nrow(table_shuffle), ]
  
  l_col <-  colnames(table1)[l_col]
  ncol1 <- which(colnames(table1) == l_col)

  # 5. 분류모델을 생성한다.
  # 조절할 것2_trials: 시도할 횟수 정함
  model <- C5.0(table_train[ ,-ncol1], table_train[ ,ncol1], trials = as.numeric(trials))
  result <- predict(model, table_test[ ,-ncol1])
  
  # 6. 테스트 데이터로 예측한 결과(정확도) 확인
  CrossTable(x = table_test[,ncol1], y= result)

  # 7. Tree 시각화하기
  # as.formula와 paste로 ~.을 붙여야한다.
  tree <- rpart(label~. , data=data.frame(table1[,-ncol1], label = table1[,l_col]),
                control=rpart.control(minsplit=2))
                        # color 지정하기
  fancyRpartPlot(tree,palettes = c("Greys","RdPu"))
}

결과

오늘은 여기까지!!

다음은 회귀분석으로 돌아오겠습니다~

또 봐요~

안녕하세요~

오늘은 머신러닝 지도학습 알고리즘 중

나이브 베이즈 분류 알고리즘을 알아봅시다!!

나이브 베이지 분류란?

베이지안 기법 기반의 분류기는 훈련 데이터를 활용해 특정 값이 제공하는 증거기반으로 결과가 관측될 확률을 계산하는 방법

(사전확률을 이용해 사후확률을 알 수 있습니다.)

그렇다면,

나이브 베이즈 알고리즘은

언제 사용할까?

결과에 대한 전체 확률을 추정하기 위해 동시에 여러 속성 정보를 고려해야만 하는 문제에 가장 적합합니다.

모든 사건이 독립이라면 다른 사건을 관측해 어떤 사건을 예측하는 것은 불가능합니다. 

다시말해, 종속사건이 예측모델링에 기반이 됩니다.

<배경 지식>

조건부 확률

R 을 통해 본 나이브베이즈 분류 알고리즘

data : 영화 관람객

data설명: data frame형태의 데이터

column: 나이, 성별, 직업, 결혼여부, 이성친구, 장르(label)

[실습 순서]

직접 사용자 정의 function()으로 만들어 코드를 재사용 하고자 하였습니다.

naive_bayes_fun <- function() {
  
  # 1. 데이터를 로드한다.

  # 내 컴퓨터에서 파일을 선택할 수 있는 창이 켜진다.
  data <- file.choose()
  
  na.string <- NA
  
  table1 <- read.csv(data, stringsAsFactors = F, na.string = na.string)
  

  # menu()를 사용하면 관련된 것의 숫자(순서)를 return한다.
  col <- menu(colnames(table1), title = "라벨이 될 컬럼 이름을 입력하세요 ")
  

  # readline()함수를 이용하면 사용자가 입력한 값을 읽어들일 수 있다.
  lap <- readline(prompt = "laplace값을 입력하세요 ")
  

  # 2. data 정제: 매번 다르기때문에 여기서는 생략함



  # 3. label을 factor로 변환한다.
  # CrossTable Error 때문에 여기서는 전부 factor로 변환하였습니다.

    for(i in 1:dim(table1)[2]){
      table1[,i] <- factor(table1[,i])
    }
  

  # 4. 훈련데이터와 테스트 데이터로 나눈다.
  
  set.seed(12)
  
  # 행의 건수 확인
  train_cnt <- round(0.7 * dim(table1)[1]) 
  # shuffle 하는 방법 중 하나
  train_indx <- sample(1:dim(table1)[1], train_cnt, replace = F)
  
  table_train <- table1[train_indx,]
  table_test <- table1[-train_indx,]
  

  # 5. 나이브 베이즈 함수를 이용해서 장르(label)를 분류하는 모델을 생성한다.
  library(e1071)

  # V1~: label(기준으로 사용), laplace: positive double controlling Laplace smoothing.
  # laplace로 공격적으로 필터링하는 정도를 조절할 수 있음
  model1 <- naiveBayes(table_train[,col]~. , data = table_train, laplace = as.numeric(lap))
  

  # 6. 모델로 테스트 데이터로 정확도 측성한다.
  # 예측하기
  result1 <- predict(model1, table_test[, -col])


  # 7. 이원 교차표로 분류의 최종 결과를 확인한다.
  library(gmodels)

                  # 실제              예측
  CrossTable(x = table_test[,col], y = result1)

  # 정확도 확인하기
  prop.table(table(ifelse(table_test[,col]==result1,"o","x" )))  

}

# 8. 튜닝한다.

더 알맞은 shuffled data을 위해 set.seed()값으로 변경하고

laplace 값을 조절하여

필터링하는 정도를 조절하여 더 나은 값을 얻을 수 있습니다. (여기서는 0.1로 주어 결과를 내보았음)

[결과]

# 참고: 보시면 알 수 있듯이 여기 movie data는 굉장이 적은 데이터이기 때문에

training data 와 test data로 나눌 때 굉장히 불편했습니다.

큰데이터로 각각의 data의 비율을 변경해보세요~

[정확도]

prop.table(table(ifelse(table_test[,col]==result,"o","x" )))

 o            x 

0.75            0.25 

나이브 베이즈 알고리즘의

한계점

나이브 베이즈 알고리즘은 데이터에 대한 약간 naive(순진한)을 가정하고 있습니다.

특히 데이터 셋의 모든 특징을 동등하게 중요하고 독립적이라고 가정합니다.

이 한계점을 극복하기위한 다양한 분류 알고리즘에 대해 앞으로 알아보도록 하겠습니다!

우선 의사결정 트리부터~