[sklearn] (10) - 정확도 accuracy_score

 

성능 평가 지표 Evaluation Metric¶

 

분류의 성능평가 지표

¶

 

1. 정확도 accuracy

 

¶

• 실제 데이터에서 예측 데이터가 얼마나 같은지를 판단하는 지표

• 직관적으로 모델 예측 성능을 나타냄
• 그러나 이진 분류(0 또는 1)의 경우, 데이터의 구성에 따라 ML모델의 성능을 왜곡할 수 있음

 

 

 

사이킷런의 BaseEstimator를 활용하여 단순히 성별에 따라 생존자를 예측하는 classifier 생성¶

 

In [28]:

import numpy as np
from sklearn.base import BaseEstimator

class MyDummyClassifier(BaseEstimator):
    # fit 메서드는 아무것도 학습하지 않음 
    def fit(self, X, y=None):
        pass
    #predict 메서드는 단순히 Sex 피처가 1이면 0, 그렇지 않으면 1로 예측함
    def predict(self, X):
        pred = np.zeros((X.shape[0], 1))
        for i in range(X.shape[0]):
            if X['Sex'].iloc[i] == 1:
                pred[i] = 0
            else:
                pred[i] = 1       
        return pred

 

 

In [29]:

from sklearn.preprocessing import LabelEncoder

#Null 처리 함수
def fillna(df):
    df['Age'].fillna(df['Age'].mean(), inplace=True)
    df['Cabin'].fillna('N', inplace=True)
    df['Embarked'].fillna('N', inplace=True)
    df['Fare'].fillna(0, inplace=True)
    return df
    
#머신러닝 알고리즘에 불필요한 피처 제거
def drop_features(df):
    df.drop(['PassengerId', 'Name', 'Ticket'], axis=1, inplace=True)
    return df

#레이블 인코딩
def format_features(df):
    df['Cabin'] = df['Cabin'].str[:1]
    features = ['Cabin', 'Sex', 'Embarked']
    for feature in features:
        le = LabelEncoder()
        le = le.fit(df[feature])
        df[feature] = le.transform(df[feature])
    return df

#앞에서 정의된 함수들 호출, 전처리 수행하는 함수 생성
def transform_features(df):
    df = fillna(df)
    df = drop_features(df)
    df = format_features(df)
    return df

 

 

In [30]:

import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score

titanic_df = pd.read_csv('./titanic_train.csv')
y_titanic_df = titanic_df['Survived']
X_titanic_df = titanic_df.drop('Survived', axis=1)
X_titanic_df = transform_features(X_titanic_df)
X_train, X_test, y_train, y_test = train_test_split(X_titanic_df, y_titanic_df, test_size=0.2, random_state=0)

myclf = MyDummyClassifier()
myclf.fit(X_train, y_train)

mypredictions = myclf.predict(X_test)
print('Dummy Classifier의 정확도는: {0:.4f}'.format(accuracy_score(y_test, mypredictions)))

 

 

Dummy Classifier의 정확도는: 0.7877

 

 

• 이렇게 단순한 알고리즘으로도 정확도가 꽤 높게 나오기 때문에 정확도를 평가 지표로 사용할 때는 매우 신중해야 함

• 특히 정확도는 불균형한 레이블 값 분포에서는 적합하지 않음

 

 

 

MNIST 데이터셋을 multi classification에서 binary classification으로 변경하여 불균형한 데이터셋으로 만든 뒤

어떤 문제가 발생하는지 살펴보기

 

¶

• MNIST 데이터셋은 0부터 9까지의 숫자 이미지의 픽셀 정보를 가짐, 이를 기반으로 숫자 Digit을 예측하는데 사용

• 사이킷런은 load_digits을 통해 MNIST 데이터셋을 제공

 

 

• 레이블 값이 7인 것만 True, 나머지는 모두 False로 변환해 이진 분류 문제로 바꾸기

• 즉, 전체 데이터의 10%만 True, 90%은 False인 불균형한 데이터셋으로 변형하는 것

 

 

In [1]:

#불균형한 데이터셋과 Dummy Classifier를 생성하기
from sklearn.datasets import load_digits
from sklearn.model_selection import train_test_split
from sklearn.base import BaseEstimator
from sklearn.metrics import accuracy_score
import numpy as np
import pandas as pd

class MyFakeClassifier(BaseEstimator):
    def fit(self, X, y):
        pass
    
    #입력값으로 들어오는 X 데이터셋의 크기만큼 모두 0값으로 만들어서 반환
    def predict(self, X):
        return np.zeros( (len(X), 1), dtype=bool)
    
#사이킷런의 내장 데이터셋인 load_digits를 이용해 데이터 로당
digits = load_digits()

#digits 번호가 7번이면 True고 이를 astype(int)로 1로 변환, 7번이 아니면 False고 0으로 반환
y = (digits.target == 7).astype(int)
X_train, X_test, y_train, y_test = train_test_split( digits.data, y, random_state=11)

 

 

In [2]:

#불균형한 레이블 데이터 분포도 확인
print('레이블 세트 크기:', y_test.shape)
print('테스트 세트 레이블 0과 1의 분포도')
print(pd.Series(y_test).value_counts())

#Dummy Classifier로 학습,예측,정확도 평가
fakeclf = MyFakeClassifier()
fakeclf.fit(X_train, y_train)
fakepred = fakeclf.predict(X_test)
print('모든 예측을 0으로 하여도 정확도는: {0:.3f}',format(accuracy_score(y_test, fakepred)))

 

 

레이블 세트 크기: (450,)
테스트 세트 레이블 0과 1의 분포도
0    405
1     45
dtype: int64
모든 예측을 0으로 하여도 정확도는: {0:.3f} 0.9

 

 

• 이처럼 정확도 평가 지표는 불균형한 레이블 데이터셋에서는 성능 수치로 사용해선 안됌

• 이런 한계점을 보완하기 위해 여러 가지 분류 지표와 함께 적용해야 함 >> 오차행렬

 

다음 글에서 계속!!