KNN 자동차 분류 및 예측

추천서비스를 knn을 활용하여 기획하고 있다.

 

관련 코드를 작성해보았고, 해석을 진행해보겠다.

 

 

0. 데이터와 레이블로 나눔

분류기준은 자체적으로 만들어보았다.

 

앞의  head 부분만 print(dtm.iloc[0:5]) 해보면 다음과 같은 출력 값이 나온다.

0 Pricist

1 Proud Patrons

2 Camper

3 Proud Patrons

4 Pricist

Name: class, dtype: object

 

등등.

---

# class 분류 기준 - 5가지

# Elitist : 차는 그 저 차라고 생각하는 부류

# Proud Patrons : 자동차가 자산의 노력에 대한 result이거나 관심을 받고 싶어하는 관종의 부류

# Camper : Camping을 즐기기너 큰 덩치의 차량을 좋아하는 부류

# Fantasist : 남들보다는 자신의 YOLO나 환경을 생각하여 구입하는 부류

# Pricist : 가성비를 중요시 여기는 부류

 

1. StandardScaler

#feature scaling

from sklearn.preprocessing import StandardScaler

scaler = StandardScaler()

scaler.fit(X_train)

#feature scaling
from sklearn.preprocessing import StandardScaler
scaler = StandardScaler()
scaler.fit(X_train)

거리 계산을 위해서 각 특성들을 스케일링(표준화)

 

# Z-score 표준화: 평균을 0, 표준편차 1로 변환

scaler = StandardScaler() # Scaler 객체 생성

scaler.fit(X_train) # 스케일링(표준화)를 위한 평균과 표준 편차 계산

X_train = scaler.transform(X_train) # 스케일링(표준화 수행)

X_test = scaler.transform(X_test)