이 실습에서는 특징 선택을 위해 재귀적 특징 제거 (RFE) 를 사용하는 방법을 배웁니다. 파이썬의 Scikit-Learn 라이브러리를 사용하여 이 작업을 수행할 것입니다. 특징 선택은 불필요하거나 중복된 특징을 제거하여 머신 러닝 모델의 성능을 향상시키는 중요한 단계입니다.
가상 머신 시작이 완료되면 왼쪽 상단 모서리를 클릭하여 Notebook 탭으로 전환하여 연습을 위한 Jupyter Notebook에 접근합니다.
때때로 Jupyter Notebook 이 완전히 로드되기까지 몇 초 정도 기다려야 할 수 있습니다. Jupyter Notebook 의 제약으로 인해 작업 검증을 자동화할 수 없습니다.
학습 중 문제가 발생하면 Labby 에게 문의하십시오. 세션 후 피드백을 제공하면 문제를 신속하게 해결해 드리겠습니다.
먼저, Scikit-Learn 라이브러리를 사용하여 숫자 데이터셋을 로드합니다. 이 데이터셋은 0 부터 9 까지의 숫자 이미지 (8x8 픽셀) 로 구성되어 있으며, 각 이미지는 64 개의 특징으로 이루어진 배열로 표현됩니다. 데이터를 특징 (features) 과 목표 변수 (target variables) 로 분할할 것입니다.
from sklearn.datasets import load_digits
digits = load_digits()
X = digits.images.reshape((len(digits.images), -1))
y = digits.target다음으로, RFE 클래스의 객체를 생성하고 데이터를 이 객체에 적용합니다. 추정기로 선형 커널을 사용하는 서포트 벡터 분류기 (SVC) 를 사용할 것입니다. 한 번에 하나의 특징을 선택하고 한 단계씩 진행합니다.
from sklearn.svm import SVC
from sklearn.feature_selection import RFE
svc = SVC(kernel="linear", C=1)
rfe = RFE(estimator=svc, n_features_to_select=1, step=1)
rfe.fit(X, y)RFE 객체에 데이터를 적용한 후, 특징의 중요도에 따라 특징을 순위화할 수 있습니다. RFE 객체의 ranking_ 속성을 사용하여 특징 순위를 얻을 것입니다. 또한, 순위를 원본 이미지의 모양과 일치하도록 변형할 것입니다.
ranking = rfe.ranking_.reshape(digits.images[0].shape)마지막으로, Matplotlib 라이브러리를 사용하여 특징 순위를 시각화합니다. matshow() 함수를 사용하여 순위를 이미지로 표시합니다. 또한, 색상 막대와 제목을 플롯에 추가합니다.
import matplotlib.pyplot as plt
plt.matshow(ranking, cmap=plt.cm.Blues)
plt.colorbar()
plt.title("RFE 를 이용한 픽셀 순위")
plt.show()이 실습에서는 특징 선택을 위해 재귀적 특징 제거 (RFE) 를 사용하는 방법을 배웠습니다. 파이썬의 Scikit-Learn 라이브러리를 사용하여 숫자 데이터셋을 로드하고, RFE 객체를 생성한 후 데이터를 적합하고, 특징을 순위화하고, 특징 순위를 시각화했습니다.