ML101 : weka practical exercise / 의사결정트리 (2)

2017/02/15 - [CS/ML] - ML 101 : weka practical exercise / 의사결정트리 (1)

 Weka 를 이용해 소스 코드를 생성하고 난 후 해당 코드를 살펴보면, Visualize 를 통해 살펴본 의사 결정 트리의 모양을 그대로 코드로 옮겨 왔음을 확인 하실 수 있습니다. 메소드 명이 임의의 문자로 만들어져 있어 읽기 어려우나, 메소드 내용으로 보았을 때, 최상위 root 부터 leaf 로의 if-else 의 집합임을 확인할 수 있습니다. 그럼 이 코드를 어떻게 활용해 볼 수 있을까요?

우선, 지난 글에서 다운 받으신 .arff 파일의 내용을 아래와 같이 바꾸어 줍니다. 

@data end_rack,85,85,FALSE,? end_rack,80,90,TRUE,? cd_spec,83,86,FALSE,? std_rack,70,96,FALSE,? std_rack,68,80,FALSE,? std_rack,65,70,TRUE,? cd_spec,64,65,TRUE,? end_rack,72,95,FALSE,? end_rack,69,70,FALSE,? std_rack,75,80,FALSE,? end_rack,75,70,TRUE,? cd_spec,72,90,TRUE,? cd_spec,81,75,FALSE,? std_rack,71,91,TRUE,?

이 테스트 데이터를 읽어와 분류기가 값에 맞게 분류하는지 알아 보도록 하겠습니다. 테스트 코드는 다음과 같습니다.

테스트 파일을 읽어들이고 인스턴스를 로딩하여 for 루프를 순환하며 classifyInstance() 메서드를 사용하여 값을 얻어 옵니다.

WekaWrapper ww = new WekaWrapper(); try { Instances unlabeled = new Instances(new BufferedReader(new FileReader("rv2.arff"))); unlabeled.setClassIndex(unlabeled.numAttributes() - 1); for(int i=0; i<unlabeled.numInstances(); i++) { double clsLabel = ww.classifyInstance(unlabeled.instance(i)); System.out.println(clsLabel + "->" + unlabeled.classAttribute().value((int)clsLabel)); } } catch (Exception e) { e.printStackTrace(); }

이번 경우에는 classifyInstance() 를 이용하여 실제 매출이 발생했는지 안 했는지를 확인할 수 있는 것 입니다. double 형을 반환된 결과 값은 attribute 의 인덱스를 상징 합니다. 즉, 첫번째 인덱스인 0 은 'yes' 이고 두번째 인덱스인 1 은 'no' 를 가르키게 됩니다.

실행한 결과 값을 확인해 보면,

0.0->yes 0.0->yes 1.0->no 1.0->no 1.0->no 0.0->yes 0.0->yes 0.0->yes 0.0->yes 1.0->no 0.0->yes 1.0->no 0.0->yes 0.0->yes

와 같이 테스트 데이터를 보고 우리가 학습시킨 모델을 통해 매출 발생 여부를 확인할 수 있게 되었습니다. 이제 테스트 데이터만 형식에 맞게 확보 된다면 매장의 배치 모습만 보고도 매출이 발생할지 안할지를 예측할 수 있게 된 것입니다. :)