도미와 빙어 데이터를 활용한 머신러닝 학습

도미와 빙어 데이터를 활용해 머신러닝 알고리즘 중 하나인 k-최근접 이웃(KNN)을 학습하고 이를 통해 데이터를 분류하는 방법

Posted Dec 6, 2024 Updated Feb 12, 2025

By mminzy22

views 30 min read

머신러닝을 처음 시작할 때는 간단한 데이터셋으로 이해하기 쉬운 알고리즘부터 학습하는 것이 좋습니다. 오늘은 도미와 빙어 데이터를 활용해 머신러닝 알고리즘 중 하나인 k-최근접 이웃(KNN)을 학습하고 이를 통해 데이터를 분류하는 방법을 살펴보겠습니다.

1. 도미 데이터 준비하기

도미 데이터를 길이(length)와 무게(weight)라는 두 가지 특성으로 표현합니다. 아래는 도미 데이터의 예시입니다.

  
bream_length = [25.4, 26.3, 26.5, 29.0, 29.0, 29.7, 29.7, 30.0, 30.0, 30.7, 31.0, 31.0, 
                31.5, 32.0, 32.0, 32.0, 33.0, 33.0, 33.5, 33.5, 34.0, 34.0, 34.5, 35.0, 
                35.0, 35.0, 35.0, 36.0, 36.0, 37.0, 38.5, 38.5, 39.5, 41.0, 41.0]
bream_weight = [242.0, 290.0, 340.0, 363.0, 430.0, 450.0, 500.0, 390.0, 450.0, 500.0, 475.0, 500.0, 
                500.0, 340.0, 600.0, 600.0, 700.0, 700.0, 610.0, 650.0, 575.0, 685.0, 620.0, 680.0, 
                700.0, 725.0, 720.0, 714.0, 850.0, 1000.0, 920.0, 955.0, 925.0, 975.0, 950.0]

2. 도미 데이터 시각화

도미 데이터를 산점도(scatter plot)로 시각화하여 길이와 무게 간의 관계를 확인합니다. 이 과정은 데이터를 이해하고, 머신러닝 모델을 적용하기 전의 기본적인 탐색 단계를 수행하기 위함입니다.

  
import matplotlib.pyplot as plt

# 도미 데이터를 산점도로 시각화
plt.scatter(bream_length, bream_weight, label="Bream", color='blue')
plt.xlabel('Length (cm)')  # x축 레이블: 길이 (cm)
plt.ylabel('Weight (g)')   # y축 레이블: 무게 (g)
plt.title('Bream Data')    # 그래프 제목
plt.legend()               # 범례 추가
plt.show()

결과 및 분석

산점도는 선형적 관계를 보여줍니다. 즉, 도미의 길이가 증가할수록 무게도 비례하여 증가하는 경향이 나타납니다.
이처럼 데이터 간의 관계를 시각적으로 확인하는 것은 머신러닝 문제 해결의 중요한 첫 단계입니다.

💡 추가 팁

산점도란?
- 데이터를 x축과 y축에 점으로 표현하여 두 변수 간의 관계를 시각화하는 데 사용됩니다.
- 두 특성(길이와 무게)의 관계를 쉽게 이해할 수 있습니다.
왜 산점도를 사용하나요?
- 데이터를 시각적으로 탐색하며 데이터 간의 관계(선형성, 분포, 이상치 등)를 파악할 수 있습니다.
- 이런 분석은 적합한 머신러닝 모델을 선택하는 데 도움을 줍니다.
Matplotlib 활용 팁
- color 매개변수를 통해 데이터의 범주를 색으로 구분할 수 있습니다.
- marker 매개변수를 사용하여 점의 모양을 변경할 수 있습니다. 예: '^'는 삼각형, 'o'는 원.
데이터의 선형적 관계
- 산점도가 일직선에 가까운 형태를 보이는 경우, 이를 선형적 관계라고 합니다.
- 선형적 관계는 회귀 분석 등 특정 알고리즘이 잘 작동할 수 있는 데이터임을 암시합니다.

3. 빙어 데이터 준비 및 시각화

빙어 데이터를 산점도(scatter plot)로 시각화하여 길이와 무게 간의 관계를 확인합니다. 이를 통해 도미와 빙어 데이터를 비교하고, 분류의 가능성을 탐색합니다.

  
import matplotlib.pyplot as plt

# 빙어 데이터
smelt_length = [9.8, 10.5, 10.6, 11.0, 11.2, 11.3, 11.8, 11.8, 12.0, 12.2, 12.4, 13.0, 14.3, 15.0]
smelt_weight = [6.7, 7.5, 7.0, 9.7, 9.8, 8.7, 10.0, 9.9, 9.8, 12.2, 13.4, 12.2, 19.7, 19.9]

# 빙어 데이터를 산점도로 시각화
plt.scatter(smelt_length, smelt_weight, label="Smelt", color='orange')
plt.xlabel('Length (cm)')  # x축 레이블: 길이 (cm)
plt.ylabel('Weight (g)')   # y축 레이블: 무게 (g)
plt.title('Smelt Data')    # 그래프 제목
plt.legend()               # 범례 추가
plt.show()

결과 및 분석

빙어 데이터는 도미 데이터와 달리 무게가 길이에 덜 영향을 받는 특성을 보입니다.
- 빙어의 길이는 약 10~15cm, 무게는 약 6~20g 범위에 분포합니다.
- 도미 데이터에 비해 산점도가 낮은 위치에 집중되어 있습니다.
길이와 무게의 선형적 관계가 나타나지만, 도미에 비해 변화율이 낮습니다. 이는 빙어의 길이가 증가해도 무게가 급격히 늘어나지 않음을 의미합니다.

💡 추가 팁

두 데이터 비교

도미와 빙어의 데이터 분포를 한 그래프에 시각화하면, 두 데이터를 비교하고 분류 기준을 설정할 수 있습니다.
아래는 도미와 빙어 데이터를 한 산점도에 시각화한 코드입니다:

  
# 도미 데이터
bream_length = [25.4, 26.3, 26.5, 29.0, 29.0, 29.7, 29.7, 30.0, 30.0, 30.7, 31.0, 31.0, 
                31.5, 32.0, 32.0, 32.0, 33.0, 33.0, 33.5, 33.5, 34.0, 34.0, 34.5, 35.0, 
                35.0, 35.0, 35.0, 36.0, 36.0, 37.0, 38.5, 38.5, 39.5, 41.0, 41.0]
bream_weight = [242.0, 290.0, 340.0, 363.0, 430.0, 450.0, 500.0, 390.0, 450.0, 500.0, 
                475.0, 500.0, 500.0, 340.0, 600.0, 600.0, 700.0, 700.0, 610.0, 650.0, 
                575.0, 685.0, 620.0, 680.0, 700.0, 725.0, 720.0, 714.0, 850.0, 1000.0, 
                920.0, 955.0, 925.0, 975.0, 950.0]

# 도미와 빙어 데이터를 함께 시각화
plt.scatter(bream_length, bream_weight, label="Bream", color='blue')
plt.scatter(smelt_length, smelt_weight, label="Smelt", color='orange')
plt.xlabel('Length (cm)')
plt.ylabel('Weight (g)')
plt.title('Bream vs Smelt Data')
plt.legend()
plt.show()

결과적으로 두 데이터가 서로 명확히 다른 분포를 보임을 확인할 수 있습니다.

Matplotlib의 유용한 설정
- alpha 매개변수를 사용하여 점의 투명도를 설정할 수 있습니다.
- 예: plt.scatter(smelt_length, smelt_weight, alpha=0.7)
머신러닝 적용 준비
- 도미와 빙어의 데이터를 결합하여 특성(feature)과 타깃(target)을 구성하면 머신러닝 알고리즘에 적용할 수 있습니다.

4. 머신러닝 알고리즘 적용

이제 준비된 도미와 빙어 데이터를 활용하여 머신러닝 알고리즘을 적용합니다. 여기서는 k-최근접 이웃(K-Nearest Neighbors, KNN) 알고리즘을 사용해 도미와 빙어를 분류하는 방법을 다룹니다.

1. 데이터 결합: 특성과 타깃 생성

머신러닝 알고리즘에 데이터를 적용하기 위해 도미와 빙어의 길이와 무게를 하나로 합친 2차원 리스트(특성 데이터)를 생성합니다.

  
# 특성 데이터 생성
length = bream_length + smelt_length
weight = bream_weight + smelt_weight

# zip() 함수로 각 길이와 무게를 하나의 리스트로 묶음
fish_data = [[l, w] for l, w in zip(length, weight)]

또한, 각 샘플의 타깃 데이터를 생성합니다. 여기서 도미는 1, 빙어는 0으로 지정합니다.

  
# 타깃 데이터 생성
fish_target = [1] * len(bream_length) + [0] * len(smelt_length)

2. K-최근접 이웃 알고리즘 학습

KNN 알고리즘은 사이킷런의 KNeighborsClassifier 클래스를 통해 간단히 구현할 수 있습니다.

  
from sklearn.neighbors import KNeighborsClassifier

# K-최근접 이웃 모델 객체 생성
kn = KNeighborsClassifier(n_neighbors=5)  # 기본값: 5

# 모델 훈련 (fit)
kn.fit(fish_data, fish_target)

fit() 메서드는 머신러닝 모델을 훈련시키는 역할을 합니다.
이 과정에서 알고리즘은 데이터를 저장하며, 이후 예측 시 데이터를 활용해 가까운 이웃을 찾습니다.

3. 모델 평가

훈련된 모델의 성능을 확인하기 위해 정확도(accuracy)를 측정합니다.

  
# 모델 평가 (score)
accuracy = kn.score(fish_data, fish_target)
print(f"Accuracy: {accuracy:.2f}")

score() 메서드는 정확도를 반환합니다. 값이 1.0이면 모든 데이터를 정확히 분류했다는 의미입니다.

4. 새로운 데이터 예측

새로운 샘플의 길이와 무게를 입력하여 예측 결과를 확인합니다.

  
# 새로운 샘플 데이터 예측
new_sample = [[30, 600]]  # 길이 30cm, 무게 600g
prediction = kn.predict(new_sample)
print("Prediction:", "Bream" if prediction[0] == 1 else "Smelt")

💡 추가 팁 및 설명

KNN 알고리즘의 특징
- 데이터를 학습하는 것이 아니라 저장하는 알고리즘입니다.
- 새로운 데이터를 입력받으면 저장된 데이터와의 거리를 계산해 가장 가까운 이웃으로 분류합니다.
- n_neighbors 매개변수는 이웃의 개수를 설정합니다. 기본값은 5입니다.
성능 개선
- KNN은 데이터가 많을수록 계산량이 증가하므로, 데이터 전처리와 최적의 n_neighbors 설정이 중요합니다.
- 적절한 이웃의 개수를 찾으려면 반복적으로 실험하며 정확도를 확인하세요.
1 2 3 4 5 # 최적의 n_neighbors 찾기 for n in range(1, 20): kn.n_neighbors = n score = kn.score(fish_data, fish_target) print(f"{n} neighbors: Accuracy = {score:.2f}")
머신러닝 모델 평가
- 훈련 데이터로만 평가하지 마세요.
- 훈련 데이터와 별도로 준비된 테스트 데이터를 사용해야 과적합(overfitting)을 방지할 수 있습니다.
k-최근접 이웃의 단점
- 데이터가 많아질수록 연산량이 증가합니다.
- 데이터 스케일에 민감하므로 전처리가 필요합니다.

🎯 코드 전체 예제

  
from sklearn.neighbors import KNeighborsClassifier

# 데이터 결합
length = bream_length + smelt_length
weight = bream_weight + smelt_weight
fish_data = [[l, w] for l, w in zip(length, weight)]
fish_target = [1] * len(bream_length) + [0] * len(smelt_length)

# 모델 생성 및 훈련
kn = KNeighborsClassifier(n_neighbors=5)
kn.fit(fish_data, fish_target)

# 모델 평가
accuracy = kn.score(fish_data, fish_target)
print(f"Accuracy: {accuracy:.2f}")

# 새로운 샘플 예측
new_sample = [[30, 600]]
prediction = kn.predict(new_sample)
print("Prediction:", "Bream" if prediction[0] == 1 else "Smelt")

5. 새로운 데이터 예측

훈련된 k-최근접 이웃(KNN) 모델을 사용해 새로운 데이터를 예측합니다. 예측 과정은 모델이 훈련 중 저장한 데이터를 참고하여 새로운 데이터의 클래스를 분류합니다.

1. 새로운 샘플 데이터 입력

길이가 30cm이고 무게가 600g인 샘플 데이터를 예측해봅니다.

  
# 새로운 샘플 데이터
new_sample = [[30, 600]]

# 예측 결과 확인
prediction = kn.predict(new_sample)
print("Prediction:", "Bream" if prediction[0] == 1 else "Smelt")

2. 결과 분석

모델은 새로운 샘플을 Bream(도미)로 예측합니다.
이는 새로운 데이터가 훈련 데이터에 저장된 도미와 더 가까운 특성을 가지고 있기 때문입니다.

3. 시각화: 새로운 샘플 위치 확인

새로운 샘플을 산점도에 추가하여 기존 데이터와의 상대적 위치를 시각적으로 확인합니다.

  
import matplotlib.pyplot as plt

# 기존 데이터 시각화
plt.scatter(length[:len(bream_length)], weight[:len(bream_weight)], label="Bream", color='blue')
plt.scatter(length[len(bream_length):], weight[len(bream_weight):], label="Smelt", color='orange')

# 새로운 데이터 추가
plt.scatter(new_sample[0][0], new_sample[0][1], marker='^', label="New Sample", color='red', s=100)

# 그래프 설정
plt.xlabel("Length (cm)")
plt.ylabel("Weight (g)")
plt.legend()
plt.title("Bream and Smelt with New Sample")
plt.show()

💡 추가 팁

왜 예측이 중요한가?
- 새로운 데이터의 예측은 머신러닝 모델의 주요 목표 중 하나입니다.
- 이 과정은 훈련 데이터와 비교하여 패턴을 찾고, 새로운 샘플을 분류하는 데 사용됩니다.
왜 시각화가 중요한가?
- 시각화를 통해 모델의 예측 결과가 직관적으로 이해됩니다.
- 특히, 새로운 샘플이 기존 데이터에서 어느 위치에 있는지 확인하면 분류의 이유를 파악하기 쉽습니다.

6. 추가 도전 과제

KNN 알고리즘의 특성을 이해하기 위해 아래와 같은 추가 실습 과제를 수행해보세요.

1. 이웃의 개수 변경

이웃의 개수(n_neighbors)를 변경하며 모델의 예측 성능을 평가해보세요.

  
# 이웃의 개수 변경 실험
for n in range(1, 20):
    kn.n_neighbors = n
    accuracy = kn.score(fish_data, fish_target)
    print(f"{n} Neighbors: Accuracy = {accuracy:.2f}")

Tip: 이웃의 개수가 너무 크거나 작으면 모델의 성능이 떨어질 수 있습니다.

2. 이상한 샘플 예측

기존 데이터와 동떨어진 샘플을 추가하고 모델이 이를 어떻게 예측하는지 확인하세요.

  
# 이상한 샘플 예측
strange_sample = [[50, 10]]  # 길이 50cm, 무게 10g (비현실적인 조합)
prediction = kn.predict(strange_sample)
print("Prediction for strange sample:", "Bream" if prediction[0] == 1 else "Smelt")

Tip: KNN은 단순히 거리를 기준으로 예측하기 때문에 이상한 샘플에도 동작합니다. 이런 상황에서는 추가적인 데이터 전처리가 필요합니다.

3. 훈련 데이터와 테스트 데이터 분리

지금까지는 전체 데이터를 훈련과 테스트에 사용했지만, 데이터의 일부를 테스트 세트로 분리하여 모델의 일반화 성능을 평가해보세요.

  
from sklearn.model_selection import train_test_split

# 데이터 분리
train_data, test_data, train_target, test_target = train_test_split(fish_data, fish_target, random_state=42)

# 모델 재훈련 및 평가
kn.fit(train_data, train_target)
test_accuracy = kn.score(test_data, test_target)
print(f"Test Accuracy: {test_accuracy:.2f}")

🌟 요약 및 학습 포인트

새로운 데이터 예측
- KNN 알고리즘은 훈련 데이터를 기반으로 새로운 데이터를 분류합니다.
- 예측 결과는 데이터 간 거리와 가장 가까운 이웃의 다수결에 의해 결정됩니다.
추가 실험
- 다양한 이웃의 개수와 이상한 샘플을 추가하여 모델의 한계를 탐구하세요.
- 훈련 데이터와 테스트 데이터를 분리하여 모델의 일반화 성능을 평가하세요.
머신러닝의 목표
- 데이터로부터 학습하고, 학습한 내용을 새로운 데이터에 적용하여 유의미한 예측을 수행합니다.

7. 정리

머신러닝 알고리즘의 기초를 다루며, 도미와 빙어 데이터를 이용해 k-최근접 이웃(KNN) 알고리즘을 학습하고 평가하는 과정을 수행했습니다. 아래는 이번 학습의 주요 내용을 요약한 것입니다.

1. 데이터 준비와 시각화

도미와 빙어 데이터를 리스트로 구성하여 특성 데이터와 타깃 데이터를 생성했습니다.
산점도를 통해 각 데이터의 분포와 관계를 시각적으로 확인하며, 데이터 간 선형적 관계를 이해했습니다.

팁: 데이터의 시각화는 머신러닝 모델의 성능을 예측하고 올바른 알고리즘을 선택하는 데 중요한 역할을 합니다.

2. 머신러닝 알고리즘 적용

K-최근접 이웃 알고리즘을 사용해 도미와 빙어 데이터를 분류했습니다.
모델 훈련(fit), 평가(score), 그리고 예측(predict)의 기본 흐름을 배웠습니다.
새로운 데이터를 입력하여 예측 결과를 확인하고, 산점도를 통해 데이터의 분포를 분석했습니다.

3. K-최근접 이웃 알고리즘의 특징

장점:
- 단순하지만 효과적이며, 데이터의 패턴을 쉽게 이해할 수 있습니다.
- 적은 양의 데이터로도 잘 작동합니다.
단점:
- 데이터가 많아질수록 계산량이 증가하여 속도가 느려질 수 있습니다.
- 데이터의 스케일에 민감하므로, 전처리(예: 표준화)가 필요합니다.

팁: 거리 기반 알고리즘인 KNN은 데이터의 스케일 조정이 필수적입니다. 표준점수(z-score)와 같은 스케일링 기법을 적용하세요.

4. 추가 실험과 도전 과제

이웃의 개수를 변경하며 모델의 성능 변화를 확인했습니다.
이상치나 비현실적인 샘플에 대해 모델이 어떻게 작동하는지 탐구했습니다.
훈련 데이터와 테스트 데이터를 분리하여 모델의 일반화 성능을 평가했습니다.

5. 머신러닝 실습 팁

올바른 데이터 전처리:
- 데이터의 스케일 조정, 이상치 처리, 데이터 분포 확인은 머신러닝의 성능을 결정하는 중요한 요소입니다.
적절한 모델 선택:
- 문제의 유형(회귀, 분류, 클러스터링 등)에 따라 적합한 알고리즘을 선택하세요.
반복 실험:
- 다양한 매개변수를 실험하며 모델 성능을 평가하고, 최적의 설정을 찾아야 합니다.

🌟 핵심 학습 포인트

특성:
- 데이터를 표현하는 성질(길이와 무게 등)을 의미합니다.
- 특성을 통해 머신러닝 모델이 데이터를 이해하고 학습합니다.
훈련:
- 머신러닝 모델이 데이터를 학습하는 과정입니다. 사이킷런의 fit() 메서드를 통해 수행됩니다.
정확도(Accuracy):
- 머신러닝 모델의 성능을 평가하는 주요 지표입니다.
- 정확도 = (올바르게 예측한 샘플의 개수) / (전체 샘플의 개수).
모델 평가:
- 테스트 데이터를 사용해 모델의 성능을 평가합니다.
- 훈련 데이터만으로 평가하면 과적합(overfitting)이 발생할 수 있습니다.

8. 핵심 패키지와 함수

머신러닝 실습에서 사용된 주요 패키지와 함수들에 대해 간단히 정리합니다. 각 패키지는 데이터 전처리, 시각화, 모델 학습 및 평가에 중요한 역할을 합니다.

1. Matplotlib

설명: 데이터 시각화를 위한 파이썬의 대표적인 라이브러리입니다.
주요 함수:
1. scatter(x, y, label, color, marker, s):
  - 산점도를 그립니다.
  - label: 데이터의 범례를 설정합니다.
  - color: 점의 색상을 지정합니다.
  - marker: 점의 모양을 지정합니다. ('o', '^', 'D' 등)
  - s: 점의 크기를 설정합니다.
2. xlabel(label) / ylabel(label):
  - x축과 y축의 레이블을 설정합니다.
3. title(title):
  - 그래프의 제목을 설정합니다.
4. legend():
  - 그래프에 범례를 추가합니다.
5. show():
  - 작성된 그래프를 출력합니다.

팁: alpha 매개변수로 점의 투명도를 설정해 겹치는 데이터도 명확히 볼 수 있습니다.

2. NumPy

설명: 고성능 다차원 배열 연산을 제공하는 파이썬 라이브러리입니다.
주요 함수:
1. array(list):
  - 리스트를 배열로 변환합니다.
2. column_stack(tuples):
  - 여러 리스트를 열 방향으로 쌓아 2차원 배열을 생성합니다.
    1 2 3 4 np.column_stack(([1, 2, 3], [4, 5, 6])) # 결과: array([[1, 4], # [2, 5], # [3, 6]])
3. concatenate(arrays):
  - 여러 배열을 하나로 연결합니다.
    1 2 np.concatenate(([1, 2], [3, 4])) # 결과: array([1, 2, 3, 4])
4. mean(array, axis=0):
  - 평균을 계산합니다. axis=0은 열 방향 평균을 계산합니다.
5. std(array, axis=0):
  - 표준편차를 계산합니다.

팁: 데이터 전처리(스케일 조정, 표준점수 계산 등)에서 매우 유용하게 사용됩니다.

3. Scikit-learn

설명: 머신러닝 모델을 구현하고 학습시키는 파이썬 라이브러리입니다.
주요 클래스 및 메서드:
1. KNeighborsClassifier:
  - K-최근접 이웃 알고리즘을 구현한 클래스입니다.
  - 생성자 매개변수:
    - n_neighbors: 이웃의 개수를 지정합니다. 기본값은 5입니다.
    - p: 거리 계산 방식을 지정합니다. 1은 맨해튼 거리, 2는 유클리드 거리입니다.
    - n_jobs: CPU 코어를 지정합니다. -1로 설정하면 모든 코어를 사용합니다.
  - 주요 메서드:
    1. fit(X, y):
      - 모델을 훈련시킵니다. X는 특성 데이터, y는 타깃 데이터입니다.
    2. score(X, y):
      - 모델의 성능을 평가하여 정확도를 반환합니다.
    3. predict(X):
      - 새로운 데이터를 입력받아 예측 결과를 반환합니다.
    4. kneighbors(X):
      - 입력 데이터와 가장 가까운 이웃의 거리와 인덱스를 반환합니다.
        
        1 distances, indexes = kn.kneighbors([[25, 150]])
2. train_test_split:
  - 데이터를 훈련 세트와 테스트 세트로 나누는 함수입니다.
  - 매개변수:
    - test_size: 테스트 세트의 비율을 설정합니다. 기본값은 0.25(25%).
    - random_state: 무작위로 데이터를 섞을 때 사용하는 시드 값입니다.
    - stratify: 타깃 데이터를 기준으로 데이터 비율을 유지합니다.
  - 사용 예시:
    1 2 3 train_input, test_input, train_target, test_target = train_test_split( fish_data, fish_target, test_size=0.25, random_state=42 )

팁: Scikit-learn은 간단한 API로 복잡한 머신러닝 알고리즘을 구현할 수 있습니다. 공식 문서를 참고해 다양한 모델을 탐구해보세요.

🌟 활용 팁

Matplotlib는 데이터를 탐색하고 관계를 이해하는 데 필수적입니다.
NumPy는 데이터 전처리 및 계산 효율성을 높이는 데 필수입니다.
Scikit-learn은 머신러닝 모델을 구현, 평가, 그리고 최적화하는 데 강력한 도구입니다.

Machine Learning

This post is licensed under CC BY 4.0 by the author.

1. 도미 데이터 준비하기

2. 도미 데이터 시각화

결과 및 분석

💡 추가 팁

3. 빙어 데이터 준비 및 시각화

결과 및 분석

💡 추가 팁

4. 머신러닝 알고리즘 적용

1. 데이터 결합: 특성과 타깃 생성

2. K-최근접 이웃 알고리즘 학습

3. 모델 평가

4. 새로운 데이터 예측

💡 추가 팁 및 설명

🎯 코드 전체 예제

5. 새로운 데이터 예측

1. 새로운 샘플 데이터 입력

2. 결과 분석

3. 시각화: 새로운 샘플 위치 확인

💡 추가 팁

6. 추가 도전 과제

1. 이웃의 개수 변경

2. 이상한 샘플 예측

3. 훈련 데이터와 테스트 데이터 분리

🌟 요약 및 학습 포인트

7. 정리

1. 데이터 준비와 시각화

2. 머신러닝 알고리즘 적용

3. K-최근접 이웃 알고리즘의 특징

4. 추가 실험과 도전 과제

5. 머신러닝 실습 팁

🌟 핵심 학습 포인트

8. 핵심 패키지와 함수

1. Matplotlib

2. NumPy

3. Scikit-learn

🌟 활용 팁

Trending Tags