SVR 서포트벡터머신 체험하기!

sklearn, 서포트벡터 머신을 활용해서, 호봉에 따른 임금상승을 구해보자! 

 

1. Import Libraries

2. Import Dataset

3. Feature Scaling

4. Training the SVR model 

5. Predicting the new result

6. Visualizing the SVR results.

 

다음과 같은 순서로 분석하고자 한다! 

 

요런 작은 데이터를 쓰려고 해서 Training Set, Test Set으로 나누진 않겠다!

 

1. Import libraries

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

 

2. Import Dataset

dataset = pd.read_csv("Position_Salaries.csv")

x = dataset.iloc[:,1:-1].values
y = dataset.iloc[:,-1].values

 

3. Feature Scaling

-> Feature Scaling은 표준화(standardization) 또는 정규화(normalization)를 의미한다. 

from sklearn.preprocessing import StandardScaler

std_x = StandardScaler()
std_y = StandardScaler()

x = std_x.fit_transform(x.reshape(len(x),1))
y = std_x.fit_transform(y.reshape(len(y),1))

* x, y는 각각 정규화를 해주어야한다! 

 

4. Training the SVR model

from sklearn.SVM import SVR 

regressor = SVR(kernel='rbf')
regressor.fit(x, y)

 

5. Predicting the new result

std_y.inverse_transform(regressor.predict(std_x.transform([[6.5]])))

# 6.5를 x 정규화된 값에 대입 -> x정규화된걸로 predict -> inverse_transform으로 실제값 역변환! 하는 순 

 

6. Visualizing the SVR results.

plt.scatter(st_x.inverse_transform(x), st_y.inverse_transform(y), color='red')
plt.plot(st_x.inverse_transform(x), st_y.inverse_transform(regressor.predict(x).reshape(-1,1)), color='blue')
plt.title('SVM')
plt.xlabel('Position Level')
plt.ylabel('Salary')