머신러닝 기초환경 세팅 및 아나콘다 활용

충북대학교 공동훈련센터 IoT기반 스마트 솔루션 개발자 양성과정이

어느덧 3주차가 끝났다

 

곽내정 교수님과 시작한 약 2주간의 교육을 통해 끝이 나고

C 에 대해 맛보기를 시작했을 무렵 끝난다는 느낌이 들었다

 

C는 파이썬과 비교가 되는 점도 많았고 비슷한 점도 많았다

어떤 부분에선 편하고 더 프로그래밍 하는 느낌이 들어 멋졌고

어떤 부분에선 이렇게 편한걸 왜 이렇게 쓰고있나 하는 느낌도 들었다

 

어찌저찌 마지막 곽내정 교수님의 수업은

머신러닝에 대한 기초적인 환경 세팅과 주피터 노트북을 통한 갖가지 모델들을 활용해 보았는데

이 점을 요약해보고자 한다

 

 

📋 기초 환경 세팅

우선 머신러닝을 위해선 파이썬을 이용해야 하고

파이썬에서 실행되는 갖가지 라이브러리를 설치해주어야 한다

 

그를 위해선 아나콘다의 설치가 필요하다

(맥에서 활용할땐 아나콘다가 무거워 보이기도 하고 경로가 혼잡해지기도 해서 쓰기 싫었다

아마 내 기억으론 venv로 그냥 가상환경 폴더 만들고 안에서 돌렸던듯?

가상환경 만들때 말고는 아나콘다의 활용을 많이 해본편은 아니라서

만일 이 부분만 필요하다면 추후 아나콘다의 사용은 안해도 되는 걸로 스스로 판단이 된다)

 

구글 검색으로 아나콘다만 쳐도 나오기도 하고

아래 링크를 통해 들어갈 수도 있다

 

https://www.anaconda.com/products/distribution

Anaconda | Anaconda Distribution

 

 

 

📋 환경변수 경로 세팅

간혹 경로 세팅이 잘못되어 에디터마다 다른 버전의 파이썬 혹은

파이썬을 발견하지 못하는 경우들이 있다

 

아나콘다의 경우 위와같은 세팅으로 설치를 한 후 실행하면

문제없이 진행이 되지만

만일 파이썬을 찾을 수 없다거나 경로 지정이 안되었다는 오류를 발견한다면

아래 링크를 참조하여 세팅하고

기본적인 가상환경 구성까지 따라해보자

 

 

 

https://mealhouse.tistory.com/7

Tensorflow 환경 설정 및 설치 하기(Windows)

 

 

 

가상환경 구축이 끝났다면

데이터 분석과 모델 생성을 위해 주피터 노트북을 실행해야 한다

 

위 링크를 참조하면 다음과 같은 라이브러리 설치를 진행하였을 것이다

pip install ipykernel
python -m ipykernel install --user --name 가상환경명 --display-name "가상환경명"
conda install tensorflow==버전 : (내가 활용하는 파이썬 버전과 호환되는 tensorflow 버전)
pip install jupyter

 

이중 ipykernel 과 tensorflow 는 다음시간에 진행해보는것으로 하고

우선적으로 jupyter 만 설치 후 가동시킨다

 

아나콘다 가상환경 접속 후 jupyter notebook 명령어를 쳐준다

 

자신이 생성한 가상환경의 이름을 모를때 확인법

conda env list
conda info --envs

명령어를 쳐보면 자신이 보유하고 있는 가상환경의 위치와 이름을 보여준다

내가 생성해 둔 가상환경의 이름으로 명령어를 입력한다

 

가상환경 진입

conda activate "가상환경 이름"

명령어를 입력하면 가장 좌측에 보이는 것처럼

해당 가상환경으로의 진입 성공 시 가상환경의 이름으로 바뀐다

 

 

주피터 노트북 실행

주피터 노트북

주피터 노트북은 웹 브라우저에서 실행이 되기 때문에

위와 같은 모습을 띄고 있다

 

++ 주피터 노트북 기본 실행시 가장 기본이 되는 폴더 위치는 C:\Users\User 폴더이다

때문에 이곳에서 실행할 경우 굉장히 난잡한 형태로 파일들이 위치될 수 있고

정리하기 버거웠던 것이 지난번의 경험인데,

이를 해결하기 위해선 내가 원하는 위치에 폴더를 생성하고

가상환경 진입 전, cd 명령어를 통해 해당 폴더의 위치로 진입 후 

 

가상환경 진입 -> 주피터노트북 실행

 

의 단계를 거치면 깔끔한 형태에서 파일 생성을 시작할 수 있다

 

 

 

📋 주피터 노트북 활용

머신러닝을 진행해보기 전 가장 기본적인 회귀 분석이나 

기타 이론적인 부분에 있어선 생략한다

다만, 이번 충북대학교 공동훈련센터 IoT기반 스마트 솔루션 개발자 양성과정 중

배우고 진행했던 코드를 분석해보며 어떤 뜻인지 이해해보자

 

전체 코드를 먼저 띄우고

한 줄씩 코드 분석을 진행해보도록 한다

 

 

 

※ 설치한 라이브러리

numpy scipy matplotlib spyder pandas seaborn scikit-learn h5py

라이브러리 설치가 안되어 있다면 프롬프트 창(아나콘다 가상환경)에서 

pip install 을 통해 설치해주자

 

import numpy as np
from sklearn import linear_model

regr = linear_model.LinearRegression()
X = [[163], [179], [166], [169], [171]]
y = [54, 63, 57, 56, 58]

regr.fit(X, y)
coef = regr.coef_
intercept = regr.intercept_
score = regr.score(X, y)
print("y = {}* X + {:.2f}".format(coef.round(2), intercept))
print("데이터와 선형 회귀 직선의 관계점수 : {:.1%}".format(score))

# ===== 출력결과 =====
y = [0.53]* X + -32.50
데이터와 선형 회귀 직선의 관계점수 : 91.9%
# ====================

import matplotlib.pyplot as plt

plt.scatter(X, y, color = 'blue', marker = 'D')
y_pred = regr.predict(X)

plt.plot(X, y_pred, 'r:')


unseen = [[167]]
result = regr.predict(unseen)
print(f"OO이의 키가 {unseen}cm 이므로 몸무게는 \
{result.round(1)}kg으로 추정됨")

# ===== 출력결과 =====
OO이의 키가 [[167]]cm 이므로 몸무게는 [56.2]kg으로 추정됨
# ====================

regr = linear_model.LinearRegression()
X = [[168, 0], [166, 0], [173, 0], [165, 0], [177, 0], [163, 0],\
    [178, 0], [172, 0], [163, 1], [162, 1], [171, 1], [162, 1], \
    [164, 1], [162, 1], [158, 1], [173, 1]]
y = [65, 61, 68, 63, 68, 61, 76, 67, 55, 51, 59, 53, 61, 56, 44, 57]
regr.fit(X, y)

print("계수 : ", regr.coef_)
print("절편 : ", regr.intercept_)
print("점수 : ", regr.score(X, y))
print("OO이와 XX의 추정 몸무게 : ", regr.predict([[167, 0], [167, 1]]))

# ===== 출력결과 =====
계수 :  [ 0.74803397 -7.23030041]
절편 :  -61.227783894306384
점수 :  0.8425933302504424
OO이와 XX의 추정 몸무게 :  [63.69388959 56.46358918]
# ====================

x = np.array([1, 4.5, 9, 10, 13])
y = np.array([0, 0.2, 2.5, 5.4, 7.3])

print(x)
print(y)
[ 1.   4.5  9.  10.  13. ]
[0.  0.2 2.5 5.4 7.3]
regr = linear_model.LinearRegression()

x = x[:, np.newaxis]
print(x)
regr.fit(x, y)
print("w = ", regr.coef_.round(2), \
     "/ b = ", regr.intercept_.round(2))
     
# ===== 출력결과 =====
[[ 1. ]
 [ 4.5]
 [ 9. ]
 [10. ]
 [13. ]]


w =  [0.63] / b =  -1.65
# ====================

 

import numpy as np  : numpy 라이브러리를 호출 및 np 라는 이름으로 호출하겠다는 뜻

from sklearn import linear_model : sklearn(사이킷 런) 에서의 linear_model 호출(선형 회귀)

 

X, y 임의 데이터 생성 및 해당 데이터에 대한 fit 진행

 

 

 

y = mx + b 에서의 관계식

 

 

import matplotlib.pyplot as plt : 그래프를 그리기 위한 라이브러리 호출

plt.scatter : matplotlib 에서 산점도를 그리기 위한 함수

plt.plot : 선을 그리기 위한 함수

 

LinearRegression 모델에 predict(x) 값을 넣어주고 변수로 지정(y_pred)

plt.plot 함수에 기존 X 값과 예측되는 y 값(y_pred)를 그려주면

위와 같은 그림이 나온다

 

파란색 다이아몬드 그림은 산점도를 그린것

 

그 이후의 코드들은 위와 같은 형식으로 이루어져 있고,

numpy 배열이 쓰일 뿐 LinearRegression 모델이 쓰이는 것은 같으니

하나하나 천천히 이해하면서 살펴보도록 하자