[sklearn] (19) 앙상블 기법 Ensemble, 위스콘신 유방암 데이터 - VotingClassifier(), load_breast_cancer()

 

 

앙상블 학습

• 앙상블 기법: 여러 개의 분류기(classifier)를 생성하고 그 예측을 결합함으로써 보다 정확한 최종 예측을 도출하는 기법
• 대부분의 정형데이터 분류 시에는 앙상블이 뛰어난 성능을 나타내고 있음
• 대표적으로 랜덤포레스트와 그라디언트 부스팅 알고리즘이 있음
• 최신 기법으로는 XGBoost(eXtra Gradiant Boost)와 LightGBM(Light Gradiant Boost), Stacking이 주목 받음

<학습의 유형>

1. 보팅(Voting): 일반적으로 서로 다른 알고리즘을 가진 분류기를 결합하는 것
2. 배깅(Bagging): 각각의 분류기가 모두 같은 유형의 알고리즘 기반이지만, 데이터 샘플링을 서로 다르게 가져가면서 학습을 수행하는 것 >> 랜덤 포레스트

• 붓스트래핑(bootstrapping): 개별 classifier에게 데이터를 샘플링해서 추출하는 방식
• 교차 검증이 데이터셋 간에 중첩을 허용하지 않는 것과 달리 배깅은 중첩을 허용

3. 부스팅(Boosting): 여러 개의 분류기가 순차적으로 학습을 수행하되, 앞에서 학습한 분류기가 예측이 틀린 데이터에 대해서는 올바르게 예측할 수 있도록 다음 분류기에 가중치를 부여하는 것

• 예측 성능이 뛰어나서 앙상블 기법을 주도하고 있음 >> 그라디언트 부스팅, XGBoost, LightGBM

+)스태킹(stacking): 여러가지 다른 모델의 예측 결과값을 다시 학습데이터로 만들어서 다른 모델(메타 모델)로 재학습시키는 것

 

 

보팅 유형

1. 하드 보팅(Hard Voting): 다수결 원칙과 비슷, 다수의 분류기가 결정한 예측값을 최종 보팅 결과값으로 선정하는 것
2. 소프트 보팅(Soft Voting): 분류기들의 레이블값 결정 확률을 모두 더하고 평균내서 확률이 가장 높은 레이블값을 최종 보팅 결과값으로 선정하는 것 >> 일반적으로 많이 사용

 

 

보팅 분류기(Voting Classifier)

• 사이킷런은 보팅 방식의 앙상블을 구현한 VotingClassifier 클래스 제공

위스콘신 유방암 데이터세트를 예측 분석해보자

• 유방암의 악성종양, 양성종양 여부를 결정하는 이진 분류 데이터셋이며 종양의 크기, 모양 등의 형태와 관련한 피처를 가지고 있음
• load_breast_cancer()를 통해 데이터 로드 가능

 

In [1]:

import pandas as pd

from sklearn.ensemble import VotingClassifier
from sklearn.linear_model import LogisticRegression
from sklearn.neighbors import KNeighborsClassifier
from sklearn.datasets import load_breast_cancer
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score

cancer = load_breast_cancer()

date_df = pd.DataFrame(cancer.data, columns=cancer.feature_names)
date_df.head()

 

Out[1]:

	mean radius	mean texture	mean perimeter	mean area	mean smoothness	mean compactness	mean concavity	mean concave points	mean symmetry	mean fractal dimension	...	worst radius	worst texture	worst perimeter	worst area	worst smoothness	worst compactness	worst concavity	worst concave points	worst symmetry	worst fractal dimension
0	17.99	10.38	122.80	1001.0	0.11840	0.27760	0.3001	0.14710	0.2419	0.07871	...	25.38	17.33	184.60	2019.0	0.1622	0.6656	0.7119	0.2654	0.4601	0.11890
1	20.57	17.77	132.90	1326.0	0.08474	0.07864	0.0869	0.07017	0.1812	0.05667	...	24.99	23.41	158.80	1956.0	0.1238	0.1866	0.2416	0.1860	0.2750	0.08902
2	19.69	21.25	130.00	1203.0	0.10960	0.15990	0.1974	0.12790	0.2069	0.05999	...	23.57	25.53	152.50	1709.0	0.1444	0.4245	0.4504	0.2430	0.3613	0.08758
3	11.42	20.38	77.58	386.1	0.14250	0.28390	0.2414	0.10520	0.2597	0.09744	...	14.91	26.50	98.87	567.7	0.2098	0.8663	0.6869	0.2575	0.6638	0.17300
4	20.29	14.34	135.10	1297.0	0.10030	0.13280	0.1980	0.10430	0.1809	0.05883	...	22.54	16.67	152.20	1575.0	0.1374	0.2050	0.4000	0.1625	0.2364	0.07678

5 rows × 30 columns

 

 

로지스틱 회귀, KNN(K 최근접 이웃) 기반의 소프트 보팅 방식

• VotingClassifier 클래스는 주요 인자로 estimators와 voting값을 입력받음
• estimators >> 여러 개의 튜플 타입 classifier 객체들을 리스트 값으로 입력 받음
• voting은 'hard' 또는 'soft'로 적용하면됨 >> 디폴트는 'hard'

 

In [5]:

lr_clf = LogisticRegression(solver='liblinear')
knn_clf = KNeighborsClassifier(n_neighbors=8)

#앙상블 모델 만들기
vo_clf = VotingClassifier(estimators=[('LR', lr_clf), ('KNN', knn_clf)], voting='soft')

X_train, X_test, y_train, y_test = train_test_split(cancer.data, cancer.target, test_size=0.2, random_state=156)

#모델 학습, 예측, 평가
vo_clf.fit(X_train, y_train)
pred = vo_clf.predict(X_test)
print('Voting 분류기 정확도: {0:.4f}'.format(accuracy_score(y_test, pred)))

#개별 모델의 학습, 예측, 평가
classifiers = [lr_clf, knn_clf]
for classifier in classifiers:
  classifier.fit(X_train, y_train)
  pred = classifier.predict(X_test)
  class_name = classifier.__class__.__name__
  print('{0} 정확도: {1:.4f}'.format(class_name, accuracy_score(y_test, pred)))

Voting 분류기 정확도: 0.9561
LogisticRegression 정확도: 0.9474
KNeighborsClassifier 정확도: 0.9386

 

 

• 보팅으로 여러 개의 기반 분류기를 결합한다고 해서 무조건 기반 분류기보다 성능이 향상되는 것은 아니다
• 그럼에도 불구하고 앙상블 기법은 전반적으로 다른 단일 ML 알고리즘보다 뛰어난 성능을 가진다

 

 

앙상블 학습에서는 결정 트리 알고리즘의 단점을 수십, 수천 개의 매우 많은 분류기를 결합하여 다양한 상황을 학습하게 함으로써 극복하고 있다