[빅데이터분석기사] 20 투표기반 앙상블

투표기반 앙상블

여러 분류기를 학습시킨 후 각각의 분류기가 예측하는 레이블 범주가 가장 많이 나오는 범주를 예측하는 방법이다. 사용 방법은 개별 분류기의 최적 하이퍼파라미터를 찾은 후, 투표기반 앙상블로 모델을 만들어 좀 더 좋은 분류와 회귀 예측을 찾는 것이다. 로지스틱모델, 서포트벡터머신, 랜덤포레스트 등 여러 머신러닝 분류기를 수행한 후 예측 범주가 많이 나온 것을 최종 범주로 분류한다.

 

투표기반 앙상블의 옵션에는 범주 기반일 경우 'Hard Learner'

확률을 기반으로 결정할 경우 'Soft Learner'를 선택한다.

 

scikit-learn

투표기반 앙상블은 사이킷런의 ensemble에 있다.

이 중 분류는 VotingClassifier,

회귀는 VotingRegressor을 사용한다.

 

VotingClassifier에서 핵심 하이퍼파라미터는 'vote'이다. 범주로 할지(hard), 확률로 할지(soft)를 결정해야한다.

VotingRegressor에서 중요한 하이퍼파라미터는 없다.

 

Part1.분류(Classification) : VotingClassifier

분석에 사용된 데이터에서는 개별 분류 알고리즘과 거의 유사한 결과를 보였지만 앙상블은 일반적으로 좋은 개별 알고리즘을 조합한다면 더 나은 결과를 보인다. 또한 일반적으로 soft 방식이 정확도가 높은 것으로 알려져 있다.

 

1) 데이터셋 분리 후 정규화

import warnings
warnings.filterwarnings("ignore")

import pandas as pd

data=pd.read_csv('breast-cancer-wisconsin.csv', encoding='utf-8')
X=data[data.columns[1:10]]
y=data[["Class"]]

from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, stratify=y, random_state=42)

#min-max 정규화
from sklearn.preprocessing import MinMaxScaler
scaler = MinMaxScaler()
scaler.fit(X_train)

X_scaled_train = scaler.transform(X_train)
X_scaled_test = scaler.transform(X_test)

유방암 데이터로 VotingClassifier 라이브러리를 실습할 예정

 

2) 강한 학습기 : hard learner

#Part1. 분류(Classification)
#강한 학습기: hard learner

from sklearn.ensemble import RandomForestClassifier
from sklearn.linear_model import LogisticRegression
from sklearn.svm import SVC
from sklearn.ensemble import VotingClassifier

logit_model = LogisticRegression(random_state=42)
rnf_model = RandomForestClassifier(random_state=42)
svm_model = SVC(random_state=42)

voting_hard = VotingClassifier(
estimators=[('lr', logit_model), ('rf', rnf_model), ('svc', svm_model)],
voting='hard')
voting_hard.fit(X_scaled_train, y_train)

투표기반 앙상블을 사용하기 위해서는 개별 머신러닝 알고리즘을 결정해야한다. 여기서는 랜덤포레스트, 로지스틱모델, 서포트벡터모델 3가지를 사용했다. 그 후 sklearn.ensemble에서 VotingClassfication을 가져왔다.

 

각각의 모델을 명명한 이름을 설정한 후 VotingClassifier( )안에 사용할 개별 분류 알고리즘을 설정했다.

(랜덤포레스트 모델 이름을 rnf_model로 한 이유를 모르겠음. rf_model로 통일해서 쓰면 안되는건가..?) 

 

from sklearn.metrics import accuracy_score

for clf in (logit_model, rnf_model, svm_model, voting_hard):
    clf.fit(X_scaled_train, y_train)
    y_pred = clf.predict(X_scaled_test)
    print(clf.__class__.__name__, accuracy_score(y_test, y_pred))

3개의 개별 모델과 1개의 투표앙상블 모델의 결과를 확인하기 위해 for문을 사용했다.

 

#로지스틱 회귀모델 분류결과 확인
from sklearn.metrics import confusion_matrix
log_pred_train = logit_model.predict(X_scaled_train)
log_confusion_train = confusion_matrix(y_train, log_pred_train)
print("로지스틱 분류기 훈련데이터 오차행렬:\n", log_confusion_train)

log_pred_test = logit_model.predict(X_scaled_test)
log_confusion_test = confusion_matrix(y_test, log_pred_test)
print("로지스틱 분류기 테스트데이터 오차행렬:\n", log_confusion_test)

가장 먼저 로지스틱 회귀모델의 분류결과를 혼동행렬로 확인해보았다.

 

#서포트 벡터머신 분류결과 확인
svm_pred_train = svm_model.predict(X_scaled_train)
svm_confusion_train = confusion_matrix(y_train, svm_pred_train)
print("서포트벡터머신 분류기 훈련데이터 오차행렬:\n", svm_confusion_train)

svm_pred_test = svm_model.predict(X_scaled_test)
svm_confusion_test = confusion_matrix(y_test, svm_pred_test)
print("서포트벡터머신 분류기 테스트데이터 오차행렬:\n", svm_confusion_test)

서포트벡터머신의 훈련데이터와 테스트데이터의 혼동행렬이다.

 

#랜덤포레스트 분류결과 확인
rnd_pred_train = rnf_model.predict(X_scaled_train)
rnd_confusion_train = confusion_matrix(y_train, rnd_pred_train)
print("랜덤포레스트 분류기 훈련데이터 오차행렬:\n", rnd_confusion_train)

rnd_pred_test = rnf_model.predict(X_scaled_test)
rnd_confusion_test = confusion_matrix(y_test, rnd_pred_test)
print("랜덤포레스트 분류기 테스트데이터 오차행렬:\n", rnd_confusion_test)

랜덤포레스트 훈련데이터와 테스트데이터 혼동행렬 결과이다.

 

#투표분류기 분류결과 확인
voting_pred_train = voting_hard.predict(X_scaled_train)
voting_confusion_train = confusion_matrix(y_train, voting_pred_train)
print("투표분류기 훈련데이터 오차행렬:\n", voting_confusion_train)

voting_pred_test = voting_hard.predict(X_scaled_test)
voting_confusion_test = confusion_matrix(y_test, voting_pred_test)
print("투표분류기 테스트데이터 오차행렬:\n", voting_confusion_test)

마지막으로 투표기반 앙상블 모델의 훈련데이터와 테스트데이터의 혼동행렬이다.

 

3) 약한 학습기: soft learner

#약한 학습기: soft learner
logit_model = LogisticRegression(random_state = 42)
rnf_model = RandomForestClassifier(random_state = 42)
svm_model = SVC(probability=True, random_state = 42)

voting_soft = VotingClassifier(
estimators=[('lr', logit_model), ('rf', rnf_model), ('svc', svm_model)], voting='soft')
voting_soft.fit(X_scaled_train, y_train)

범주가 아닌 확률로 투표기반 앙상블을 진행해보았다. 앞의 강한 학습기에서 voting = soft로 바꾼 차이다.

from sklearn.metrics import accuracy_score

for clf in (logit_model, rnf_model, svm_model, voting_soft):
    clf.fit(X_scaled_train, y_train)
    y_pred = clf.predict(X_scaled_test)
    print(clf.__class__.__name__, accuracy_score(y_test, y_pred))

각각의 학습기 분석 결과 우연의 일치로 hard 방식과 동일한 결과를 얻었다.

voting_pred_train = voting_soft.predict(X_scaled_train)
voting_confusion_train = confusion_matrix(y_train, voting_pred_train)
print("투표분류기 훈련데이터 오차행렬:\n", voting_confusion_train)

votind_pred_test = voting_soft.predict(X_scaled_test)
voting_confusion_test = confusion_matrix(y_test, voting_pred_test)
print("투표분류기 테스트데이터 오차행렬:\n", voting_confusion_test)

혼동행렬 중 투표기반 앙상블의 결과만 보았는데 hard 방식의 결과와 동일하게 나타났다.

(중간에 오타 하나 수정했더니 또 알수없는 Value Error 발생해서 결과물 캡쳐는 못함)

---

Part2. 회귀(Regression) : VotingRegression

회귀문제에서 투표기반 앙상블로 2개만 조합하였음에도 개별알고리즘을 적용할 때보다 2~3% 높은 정확도를 보였다. (낮은 수치가 아니다) 개별 알고리즘에서 가장 좋은 하이퍼파라미터를 찾아 설정한다면 더 좋은 결과를 얻을 수 있다.

 

1) 데이터 분리와 정규화

import pandas as pd 

data2 = pd.read_csv('house_price.csv', encoding='utf=8')
X=data2[data2.columns[1:5]]
y=data2[["house_value"]]

from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, random_state = 42)

from sklearn.preprocessing import MinMaxScaler
scaler = MinMaxScaler()
scaler.fit(X_train)

X_scaled_train = scaler.transform(X_train)
X_scaled_test = scaler.transform(X_test)

주택가격 데이터(housing_price)를 사용하여 실습을 진행했다.

 

2) 모델적용

#Part2. 회귀(Regresson) : VotingRegressor
from sklearn.linear_model import LinearRegression
from sklearn.ensemble import RandomForestRegressor
from sklearn.ensemble import VotingRegressor

linear_model = LinearRegression()
rnf_model = RandomForestRegressor(random_state = 42)

voting_regressor = VotingRegressor(estimators=[('lr',linear_model),('rf',rnf_model)])
voting_regressor.fit(X_scaled_train, y_train)

pred_train = voting_regressor.predict(X_scaled_train)
voting_regressor.score(X_scaled_train, y_train)

pred_test = voting_regressor.predict(X_scaled_test)
voting_regressor.score(X_scaled_test, y_test)

여기서는 개별 모델을 선형회귀모델(LinearRegression)과 랜덤포레스트(RandomForestRegressor)를 사용했고,

VotingRegressor로 두 알고리즘을 설정해주었다.

 

분석 결과 훈련데이터의 정확도는 79%, 테스트데이터 정확도는 59%가 나왔다.

훈련데이터에 비해 낮게 나왔으나 다른 개별 알고리즘에 비해 높은 수준이라고 할 수 있다.

 

3) RMSE 오차 계산

#RMSE (Root Mean Squred Error)
import numpy as np
from sklearn.metrics import mean_squared_error
MSE_train = mean_squared_error(y_train, pred_train)
MSE_test = mean_squared_error(y_test, pred_test)
print(np.sqrt(MSE_train))
print(np.sqrt(MSE_test))

RMSE 계산하여 훈련데이터와 테스트데이터의 오차도 확인해보았다.