R18_k-NN 알고리즘(최근접 이웃 분류)2- iris 분류

# k-NN 알고리즘을 이용한 Iris 품종 분류

# k-NN 알고리즘을 구현한 패키지를 설치

install.packages("class")

# 패키지를 검색경로(메모리)에 로드

Iris.csv

library(class)

rm(list=ls())

# class::knn(학습데이터, 테스트데이터, 학습데이터의정답, k값)

# csv 파일에서 데이터프레임 생성

iris <- read.csv('mlwr/Iris.csv',stringsAsFactors = F)

str(iris)

head(iris)

table(iris$Species)

# 1~50 setosa, 51~100 versicolor, 101~150 virginica

# iris 품종 분류와는 상관없는 변수인 id를 제거

iris <- iris[-1]

head(iris)

#Species 컬럼을 factor로 만듦 - 레이블화

iris$Species <- factor(iris$Species,

                       levels= c('Iris-setosa','Iris-versicolor','Iris-virginica'),

                       labels=c('Setosa', 'Versicolor', 'Verginica'))

table(iris$Species)

# 학습 데이터 세트, 테스트 데이터 세트를 준비!!

# 품종별로 구분이 되어 있는 데이터를 랜덤하게 섞은 후 데이터 세트를 나눔

v<-c(1:10)

#sample(샘플 대상 벡터, 뽑을 샘플 수) : 벡터의 원소들을 랜덤하게 추출함

> sample(v)

[1]  8 10  5  2  3  4  6  9  1  7

> sample(v,7)

[1]  8  6  4  7 10  3  1

#sample(n): 1~n까지 정수를 랜덤하게 추출

> sample(150)

  [1]  65 122   5  17  43  33  82  67  69  39  13 145 120  78 106  98 124  81   2  87

[21]  91  40 143  34  49 118 128 146  58  37  22  97   3 137 102  16  74  27  72 131

[41]   9  99 135  38 108  48  30  89  94  73 121 133  20 134 147  88  75   8 141  53

[61] 136  61  23  56 139  60  19  80  50  10 114  84  77 129 130  92  85 116 100 150

[81]  51 111 144  95 107  76  36 103  12  71   6  96  46   1 123  90  26  79 112 125

[101]  45  63  55  31  14 127  86 138   7  66 109 104  25 117 101 113 126 110 142  35

[121]  93  68  42  54 119 115  64  47  21  41  11  52  18  32  24 148  15  28  29 132

[141] 105 140  57   4  44  62 149  59  70  83

#nrow(데이터 프레임), ncol(데이터 프레임): 데이터프레임 행/열의 갯수

nrow(iris)

iris_shuffled = iris[sample(nrow(iris)),]

head(iris_shuffled)

tail(iris_shuffled)

table(iris_shuffled$Species)

# 최소-최대 정규화 함수 정의

normalize<- function(x){

  return((x-min(x))/(max(x)-min(x)))

}

iris_n<-as.data.frame(lapply(iris_shuffled[1:4],normalize))

summary(train_set)

# 학습 데이터

train_set <- iris_n[1:100,]

head(train_set)

# 학습 데이터 레이블

train_set_label <- iris_shuffled[1:100,5]

head(train_set_label)

#테스트 데이터

test_set <- iris_n[101:150, ]

#테스트 데이터 레이블

test_set_label <- iris_shuffled[101:150,5]

head(train_set_label)

#knn을 적용했을 때 예측값

predict= knn(train = train_set,

            test = test_set,

            cl = train_set_label,

            k = 11

)

table(predict)

CrossTable(x = test_set_label,

           y = predict,

           prop.chisq = F)