모델링 평가자료
1차 데이터셋: qc_ASOS 데이터 (2-3시간 차이)
2차 데이터셋: mrg_ASOS_AAOS 데이터 (1-2시간 차이) 오직 y=flag
3차 데이터셋: mrg_ASOS_AAOS 데이터 (1-2시간 차이) x에 vis_log 를 추가하고 y=flag
데이터셋 주의 사항
vis_10m는 제외해야 된다.
오로지 flag로만 비교할때 보다, vis_log가 남아 있을 때 결과가 약간 더 향상되는 경우가 있다.
코드 예제 - 의사결정 나무
#의사결정 나무
## 데이터 학습
from sklearn import tree
clf_tree = tree.DecisionTreeClassifier(random_state=0)
clf_tree.fit(X_train_std, y_train)
## 데이터 예측
pred_tree = clf_tree.predict(X_test_std)
print(pred_tree)
## 모델 스코어 평가
get_clf_eval(y_test, pred_tree)
## 분류 리포트 확인
from sklearn.metrics import classification_report
class_report = classification_report(y_test, pred_tree)
print(class_report)
분류 리포트 (2차 결과)
의사결정 나무
| 1차 2차 > 3차
---------------------------
precision | 1.0
recall | 0.50
f1-score | 0.53
support | 0.52
2차
precision recall f1-score support
0.0 0.99 0.99 0.99 10198
1.0 0.81 0.81 0.81 324
accuracy 0.99 10522
macro avg 0.90 0.90 0.90 10522
weighted avg 0.99 0.99 0.99 105223차
precision recall f1-score support
0.0 0.99 0.99 0.99 10198
1.0 0.81 0.80 0.80 324
accuracy 0.99 10522
macro avg 0.90 0.90 0.90 10522
weighted avg 0.99 0.99 0.99 10522랜덤포레스트
| 1차 2차 < 3차
---------------------------
precision | 1.0
recall | 1.00
f1-score | 0.09
support | 0.16
2차
precision recall f1-score support
0.0 0.99 1.00 1.00 10198
1.0 1.00 0.70 0.82 324
accuracy 0.99 10522
macro avg 1.00 0.85 0.91 10522
weighted avg 0.99 0.99 0.99 105223차
precision recall f1-score support
0.0 0.99 1.00 1.00 10198
1.0 1.00 0.74 0.85 324
accuracy 0.99 10522
macro avg 0.99 0.87 0.92 10522
weighted avg 0.99 0.99 0.99 10522
나이브 베이즈
| 1차 2차 < 3차
---------------------------
precision | 1.0
recall | 1.0
f1-score | 0.09
support | 0.16
2차
precision recall f1-score support
0.0 0.99 1.00 1.00 10198
1.0 1.00 0.70 0.82 324
accuracy 0.99 10522
macro avg 1.00 0.85 0.91 10522
weighted avg 0.99 0.99 0.99 105223차
precision recall f1-score support
0.0 0.99 1.00 1.00 10198
1.0 1.00 0.74 0.85 324
accuracy 0.99 10522
macro avg 0.99 0.87 0.92 10522
weighted avg 0.99 0.99 0.99 10522에이다 부스트
| 1차 2차 < 3차
---------------------------
precision | 1.0
recall | 0.75
f1-score | 0.54
support | 0.63
2차
precision recall f1-score support
0.0 0.99 1.00 1.00 10198
1.0 0.93 0.79 0.85 324
accuracy 0.99 10522
macro avg 0.96 0.89 0.93 10522
weighted avg 0.99 0.99 0.99 105223차
precision recall f1-score support
0.0 0.99 1.00 1.00 10198
1.0 0.93 0.82 0.87 324
accuracy 0.99 10522
macro avg 0.96 0.91 0.93 10522
weighted avg 0.99 0.99 0.99 10522그레디언트 부스트 (시간 걸림)
| 1차 2차 > 3차
---------------------------
precision | 1.0
recall | 0.38
f1-score | 0.03
support | 0.06
2차
precision recall f1-score support
0.0 0.99 1.00 1.00 10198
1.0 0.92 0.83 0.87 324
accuracy 0.99 10522
macro avg 0.96 0.91 0.94 10522
weighted avg 0.99 0.99 0.99 105223차
precision recall f1-score support
0.0 0.99 1.00 1.00 10198
1.0 0.92 0.81 0.86 324
accuracy 0.99 10522
macro avg 0.96 0.90 0.93 10522
weighted avg 0.99 0.99 0.99 10522
스태킹
| 1차 2차 = 3차.
---------------------------
precision | 1.0
recall | 0.70
f1-score | 0.56
support | 0.62
2차
precision recall f1-score support
0.0 0.99 1.00 1.00 10198
1.0 0.96 0.77 0.85 324
accuracy 0.99 10522
macro avg 0.98 0.88 0.92 10522
weighted avg 0.99 0.99 0.99 105223차
precision recall f1-score support
0.0 0.99 1.00 1.00 10198
1.0 0.96 0.77 0.85 324
accuracy 0.99 10522
macro avg 0.98 0.88 0.92 10522
weighted avg 0.99 0.99 0.99 10522
