머신러닝1.py

Iris 꽃 분류 - 로지스틱 회귀를 이용한 다중 분류

개요

항목	내용
데이터셋	Iris (붓꽃) 데이터셋 - 150개 샘플
분류 클래스	Setosa, Versicolor, Virginica (3종)
특징 (Feature)	꽃받침 길이/폭, 꽃잎 길이/폭 (4개)
알고리즘	로지스틱 회귀 (Logistic Regression)

전체 소스 코드

import numpy as np
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score
from sklearn.metrics import classification_report

# 1. 데이터 불러오기 및 준비
## scikit-learn에 내장된 아이리스 데이터셋을 불러옵니다.
iris = load_iris()

# 특징(X)과 타겟(y) 분리
X = iris.data
y = iris.target
target_names = iris.target_names

print("✅ 아이리스 데이터 로드 완료")
print(f"특징(Feature)의 수: {X.shape[1]}")
print(f"타겟 클래스: {target_names}")

# 2. 학습용 데이터와 테스트용 데이터 분리
## 데이터를 학습(80%)과 테스트(20%) 세트로 무작위 분할합니다.
# 로지스틱 회귀는 선형 모델이므로, 데이터 스케일링이 필요할 수 있지만,
# 아이리스 데이터는 단순하여 여기서는 생략하고 진행합니다.
X_train, X_test, y_train, y_test = train_test_split(
    X, y,
    test_size=0.2,      # 테스트 데이터 비율 20%
    random_state=42,    # 재현성을 위한 난수 시드 설정
    stratify=y          # 타겟 클래스의 비율을 유지하며 분할
)

print(f"학습 데이터 개수: {len(X_train)}")
print(f"테스트 데이터 개수: {len(X_test)}")

# 3. 로지스틱 회귀 모델 생성 및 학습 (훈련)
## 다중 클래스 분류를 위한 로지스틱 회귀 모델을 생성합니다.
## solver='liblinear'는 작은 데이터셋에 적합하며 다중 클래스에 잘 작동합니다.
model = LogisticRegression(
    solver='liblinear',
    multi_class='ovr', # One-vs-Rest 방식으로 다중 클래스 분류를 수행
    random_state=42
)

## 학습 데이터(X_train, y_train)를 사용하여 모델을 훈련시킵니다.
model.fit(X_train, y_train)

print("\n✅ 로지스틱 회귀 모델 학습 완료")

# 4. 예측 및 평가
## 테스트 데이터(X_test)를 사용하여 예측을 수행합니다.
y_pred = model.predict(X_test)

## 실제 정답(y_test)과 예측 결과(y_pred)를 비교하여 정확도를 계산합니다.
accuracy = accuracy_score(y_test, y_pred)

print("\n--- 모델 성능 평가 ---")
print(f"모델의 정확도: {accuracy * 100:.2f}%")

# 더 자세한 성능 보고서 출력 (정밀도, 재현율 등)
print("\n--- 상세 분류 보고서 ---")
print(classification_report(y_test, y_pred, target_names=target_names))

# 5. 새로운 데이터 예측 예시
print("\n--- 새로운 데이터로 예측해보기 ---")
# [꽃받침 길이, 꽃받침 폭, 꽃잎 길이, 꽃잎 폭]을 가진 새로운 꽃 데이터
new_flower = np.array([[6.1, 3.0, 4.5, 11.5]])

# 모델을 사용하여 예측
prediction = model.predict(new_flower)

# 예측 결과 출력 (숫자를 타겟 이름으로 변환하여 출력)
predicted_species = target_names[prediction[0]]
print(f"새로운 꽃의 특징: {new_flower}")
print(f"예측된 꽃의 종류: {predicted_species}")

단계별 설명

Step 1: 라이브러리 임포트

import numpy as np
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score, classification_report

라이브러리	용도
`numpy`	수치 연산, 배열 처리
`load_iris`	Iris 데이터셋 로드
`train_test_split`	학습/테스트 데이터 분할
`LogisticRegression`	로지스틱 회귀 모델
`accuracy_score`	정확도 계산
`classification_report`	상세 성능 보고서

Step 2: 데이터 로드

iris = load_iris()
X = iris.data       # 특징 데이터 (150, 4)
y = iris.target     # 레이블 (150,)
target_names = iris.target_names  # ['setosa', 'versicolor', 'virginica']

Iris 데이터 구조:

특징	설명
sepal length	꽃받침 길이 (cm)
sepal width	꽃받침 폭 (cm)
petal length	꽃잎 길이 (cm)
petal width	꽃잎 폭 (cm)

Step 3: 데이터 분할

X_train, X_test, y_train, y_test = train_test_split(
    X, y,
    test_size=0.2,      # 20%를 테스트용으로
    random_state=42,    # 재현성 보장
    stratify=y          # 클래스 비율 유지
)

전체 데이터 150개
    ↓
┌─────────────────┬────────────────┐
│  학습 데이터     │  테스트 데이터  │
│  120개 (80%)    │  30개 (20%)    │
└─────────────────┴────────────────┘

Step 4: 모델 학습

model = LogisticRegression(
    solver='liblinear',  # 최적화 알고리즘
    multi_class='ovr',   # One-vs-Rest 방식
    random_state=42
)
model.fit(X_train, y_train)  # 학습 실행

One-vs-Rest (OvR) 방식:

3개 클래스를 분류할 때, 3개의 이진 분류기 생성
각 분류기는 “해당 클래스 vs 나머지” 구분

Step 5: 예측 및 평가

y_pred = model.predict(X_test)
accuracy = accuracy_score(y_test, y_pred)
print(classification_report(y_test, y_pred, target_names=target_names))

출력 예시:

              precision    recall  f1-score   support

      setosa       1.00      1.00      1.00        10
  versicolor       1.00      1.00      1.00        10
   virginica       1.00      1.00      1.00        10

    accuracy                           1.00        30

머신러닝 워크플로우 요약

┌─────────────────┐
│  1. 데이터 로드  │
└────────┬────────┘
         ↓
┌─────────────────┐
│ 2. 데이터 분할   │  (train_test_split)
└────────┬────────┘
         ↓
┌─────────────────┐
│  3. 모델 생성   │  (LogisticRegression)
└────────┬────────┘
         ↓
┌─────────────────┐
│   4. 학습      │  (model.fit)
└────────┬────────┘
         ↓
┌─────────────────┐
│   5. 예측      │  (model.predict)
└────────┬────────┘
         ↓
┌─────────────────┐
│   6. 평가      │  (accuracy_score)
└─────────────────┘

실행 방법

# 가상환경 활성화
conda activate myenv

# 필요 라이브러리 설치
pip install numpy scikit-learn

# 실행
python 머신러닝1.py