지도학습 - 정답 (타겟)이 있을때 머신러닝
비지도학습 - 정답(타겟) 이 없을때 머신러닝을 하는것.
비지도학습의 예시 - 과일 사진 데이터를 이용해서
각 사진들의 특성을 뽑아서 학습, 분류해서 우리가 나중에 확인해보자.
캐글의 데이터셋에서 과일 사진 불러오기
print(fruits.shape)
(300, 100, 100)과일 사진 데이터셋의 shape 확인해보니 3차원 배열임을 확인할 수 있다.
첫 번째 300은 샘플의 개수 (300개의 사진)
두 번째 100은 이미지 세로(100X100)
세 번째 100은 이미지 가로(100X100) 이미지 크기를 나타낸다.
<<100x100의 이미지가 300장 있다는 소리>>
첫 번째 이미지의 첫 번째 행을 출력해보자.
300개의 사진 모두
0~255의 값으로 이루어진 100x100 행렬이다.
shape ( 300, 100, 100)
첫번째 사진 : 0
첫 번째 행 : 100개
[ 맨 위 100개]
print(fruits[0,0,:])
[ 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 1
2 2 2 2 2 2 1 1 1 1 1 1 1 1 2 3 2 1
2 1 1 1 1 2 1 3 2 1 3 1 4 1 2 5 5 5
19 148 192 117 28 1 1 2 1 4 1 1 3 1 1 1 1 1
2 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
1 1 1 1 1 1 1 1 1 1]0: 검정
255: 흰색
그림으로 직관적으로 이해해보자.
imshow() 를 통해
그림 중에서 맨~~위에 y=0의 x들이 위의 숫자로 이루어진 코드이다.
과적합? 될 수 있으므로 흑0->255 , 흰 255->0 으로 역전시켜서 과적합을 방지하자.
흰 바탕 -> 검은 바탕만들기
c_map = 'gray_r' ==> _r 을 추가하여 색상 반전
plt.imshow(fruits[0],cmap='gray_r')
총 300개의 사진중
0~100 : 사과
100~200:파인애플
200~300:바나나
각각 100개씩 있으므로 파인애플과 바나나도 출력해보자.
fig,axs = plt.subplots(1,2)
axs[0].imshow(fruits[100],cmap='gray_r')
axs[1].imshow(fruits[200],cmap='gray_r')
plt.show()
픽셀값 분석하기
apple = fruits[0:100].reshape(-1, 100*100)
pineapple = fruits[100:200].reshape(-1, 100*100)
banana = fruits[200:300].reshape(-1, 100*100)위 코드를 통해 3차원 배열을 2차원 배열로 합쳤다. (100*100을 10,000으로!!! 사이즈 픽스)
-1을 통해 앞의 300?은 뒤 100*100으로 reshape한 후 나머지 배열에 맞게 자동으로 맞춰지게 한다.
이제 사과,바나나, 파인애플의 배열의 크기는 (100,10000)이다. 2차원배열로!
print(apple.mean(axis=1))
[ 88.3346 97.9249 87.3709 98.3703 92.8705 82.6439 94.4244 95.5999
90.681 81.6226 87.0578 95.0745 93.8416 87.017 97.5078 87.2019
88.9827 100.9158 92.7823 100.9184 104.9854 88.674 99.5643 97.2495
94.1179 92.1935 95.1671 93.3322 102.8967 94.6695 90.5285 89.0744
97.7641 97.2938 100.7564 90.5236 100.2542 85.8452 96.4615 97.1492
90.711 102.3193 87.1629 89.8751 86.7327 86.3991 95.2865 89.1709
96.8163 91.6604 96.1065 99.6829 94.9718 87.4812 89.2596 89.5268
93.799 97.3983 87.151 97.825 103.22 94.4239 83.6657 83.5159
102.8453 87.0379 91.2742 100.4848 93.8388 90.8568 97.4616 97.5022
82.446 87.1789 96.9206 90.3135 90.565 97.6538 98.0919 93.6252
87.3867 84.7073 89.1135 86.7646 88.7301 86.643 96.7323 97.2604
81.9424 87.1687 97.2066 83.4712 95.9781 91.8096 98.4086 100.7823
101.556 100.7027 91.6098 88.8976]그래프로 그려보자.(히스트)
plt.hist(np.mean(apple,axis=1), alpha=0.8)
plt.hist(np.mean(pineapple,axis=1), alpha=0.8)
plt.hist(np.mean(banana,axis=1), alpha=0.8)
사진(픽셀 평균값) 을 보니까
바나나의 픽셀 평균값은 40아래에 많이 집중되어있다. (초록)
사과와 파인애플은 위 그래프만 보고 구분하기 힘들다.
더 좋은 방법은 없을까?
샘플의 평균값 말고