글 한눈에 보기

문제 설정
legend_elements(). (handles, label) 두 값을 반환
원본 구조
Iris 데이터로 이진 분류 -> Iris 데이터로 다중 분류 -> Softmax 이용한 다중 분류
데이터 맥락
Iris 데이터로 다중 분류
주요 장
Iris 데이터로 이진 분류 · Iris 데이터로 다중 분류 · Softmax 이용한 다중 분류
구현 흐름
Iris 데이터 불러오기 -> Iris 데이터로 이진 분류 -> 데이터 분포 시각화
자료
ipynb / md · 코드 19 · 실행 18
주요 스택
sklearn, matplotlib, numpy

1. Iris 데이터로 이진 분류

from sklearn.datasets import load_iris
from sklearn.linear_model import LogisticRegression
import matplotlib.pyplot as plt
import numpy as np

# 데이터 로드
iris = load_iris()

X = iris.data[:, :2]                   # 앞의 2 피쳐만 사용 (시각화 위해!)
y = (iris.target==0).astype(int)       # 붓꽃 품종 1개 vs 나머지

# 모델 학습
model = LogisticRegression()
model.fit(X, y)

# 시각화용 격자 생성 코드

x_min, x_max = X[:, 0].min() - .5, X[:, 0].max() + .5          # x축
y_min, y_max = X[:, 1].min() - .5, X[:, 1].max() + .5          # y축
xx, yy = np.meshgrid(np.linspace(x_min, x_max, 200),
                     np.linspace(y_min, y_max, 200))           # 200X200 격자 생성
Z = model.predict(np.c_[xx.ravel(), yy.ravel()])               # 모델이 예측한 클래스 라벨 계산
Z = Z.reshape(xx.shape)                                        # Z를 격자 형태로 변형 -> 2D

# 시각화
plt.figure(figsize=(4,3))
plt.contourf(xx, yy, Z, alpha=0.3, cmap='bwr')
plt.scatter(X[:,0], X[:,1], c=y, cmap='bwr', edgecolors='black')
plt.xlabel('Sepal Length')
plt.ylabel('Sepal Width')
plt.title("Logistic Regression - (Setosa vs Others)")
plt.grid(True)
plt.show()

2. Iris 데이터로 다중 분류

from sklearn.datasets import load_iris
from sklearn.linear_model import LogisticRegression
import matplotlib.pyplot as plt
import numpy as np

# 데이터 로드
iris = load_iris()

X = iris.data[:, :2]                  # 앞 2개만 사용(시각화 위해!)
y = iris.target
class_names = iris.target_names       # Iris데이터의 각 클래스 이름을 가져옴

# 시각화용 격자 생성 코드

x_min, x_max = X[:, 0].min() - .5, X[:, 0].max() + .5          # x축
y_min, y_max = X[:, 1].min() - .5, X[:, 1].max() + .5          # y축
xx, yy = np.meshgrid(np.linspace(x_min, x_max, 200),
                     np.linspace(y_min, y_max, 200))           # 200X200 격자 생성
grid = np.c_[xx.ravel(), yy.ravel()]

# 모델링 & 시각화

plt.figure(figsize=(10,3))

for i in range(3):
    binary_y = (y==i).astype(int)                  # OvR -> 이진 라벨 생성
    model = LogisticRegression()
    model.fit(X, binary_y)

    Z = model.predict(grid)
    Z = Z.reshape(xx.shape)

    plt.subplot(1, 3, i+1)
    plt.contourf(xx, yy, Z, alpha=0.3, cmap='bwr')
    plt.scatter(X[:,0], X[:,1], c=binary_y, cmap='bwr', edgecolors='black')
    plt.title(f'Class {i} : {class_names[i]} vs Rest')
    plt.grid(True)

plt.tight_layout()
plt.show()

3. Softmax 이용한 다중 분류

from sklearn.datasets import load_iris
from sklearn.linear_model import LogisticRegression
import matplotlib.pyplot as plt
import numpy as np

# 데이터 로드
iris = load_iris()

X = iris.data[:, :2]                  # 앞 2개만 사용(시각화 위해!)
y = iris.target
class_names = iris.target_names       # Iris데이터의 각 클래스 이름을 가져옴

# Softmax 회귀 모델링
model = LogisticRegression(multi_class='multinomial', solver='lbfgs')   # multi_class='multinomial' + solver='lbfgs : 소프트 맥스
model.fit(X, y)

# 시각화용 격자 생성 코드

x_min, x_max = X[:, 0].min() - .5, X[:, 0].max() + .5          # x축
y_min, y_max = X[:, 1].min() - .5, X[:, 1].max() + .5          # y축
xx, yy = np.meshgrid(np.linspace(x_min, x_max, 200),
                     np.linspace(y_min, y_max, 200))           # 200X200 격자 생성
grid = np.c_[xx.ravel(), yy.ravel()]

# 예측값
Z = model.predict(grid)
Z = Z.reshape(xx.shape)

# 시각화

plt.figure(figsize=(5,3))
plt.contourf(xx, yy, Z, alpha=0.3, cmap='Set1')
scatter = plt.scatter(X[:,0], X[:,1], c=y, cmap='Set1', edgecolors='black')

# legend 지정 위한 코드
handles, _ = scatter.legend_elements()

plt.title('Softmax')
plt.legend(handles, class_names, title="Classes")
plt.grid(True)
plt.show()

handles, _ = scatter.legend_elements() 코드 설명

  • legend_elements()
    • (handles, label) 두 값을 반환
      • https://matplotlib.org/stable/gallery/lines_bars_and_markers/scatter_with_legend.html
      • scatter plot이 튜플 반환
    • handles: 스캐터 플롯에 표현되는 작은 점
    • label: 0, 1, 2처럼 자동 생성된 클래스 이름 문자열
  • scatter.legend_elements()는 handles, label을 반환하지만, 클래스 이름을 실제 label로 사용해 보여주고자 함
  • handles, _ = scatter.legend_elements()로 변수를 두 개 지정할 때, handles는 가져오고 labels는 무시한다는 의미로 아래 밑줄을 사용
    • 아래 밑줄: 파이썬의 관례적인 표현
      1. 사용하지 않는 값 무시
      2. 표현식의 마지막 결과값 저장
      3. 내부 문서 의미