머신러닝을 처음 배우는 사람들이라면 누구나 한 번쯤 만나게 되는 고전 데이터셋, 아이리스(Iris). 이번 글에서는 Scikit-Learn을 사용하여 이 아이리스 데이터셋을 분류하는 랜덤 포레스트(Random Forest) 모델을 학습시키고, 이를 분석해보는 과정을 단계별로 소개하겠습니다.

아이리스(Iris) 데이터셋이란?

아이리스 데이터셋은 150개의 붓꽃 샘플이 있으며, 각각은 4가지 특성(sepal length, sepal width, petal length, petal width)을 가지고 있고, 3가지 품종(setosa, versicolor, virginica) 중 하나로 분류됩니다.

from sklearn.datasets import load_iris

iris = load_iris()
print("데이터셋 크기:", iris.data.shape)
print("특성 이름:", iris.feature_names)
print("클래스 이름:", iris.target_names)

데이터 분할(Train/Test Split)

모델의 일반화 성능을 평가하기 위해 전체 데이터를 훈련용(80%), 테스트용(20%)으로 나눕니다.

from sklearn.model_selection import train_test_split

X_train, X_test, y_train, y_test = train_test_split(
    iris.data, iris.target, test_size=0.2, random_state=42
)

랜덤 포레스트 모델 학습

랜덤 포레스트는 여러 개의 결정 트리를 조합하여 예측을 수행하는 앙상블 모델입니다. 각 트리는 서로 다른 특성과 샘플을 사용하여 과적합을 줄이고 성능을 향상시킵니다.

  • 랜덤 포레스트는 정답(label) 정보를 기반으로 학습하는 지도학습(Supervised Learning) 모델이며, 대표적으로 분류(Classification)와 회귀(Regression) 문제에 널리 사용됩니다.
from sklearn.ensemble import RandomForestClassifier

clf = RandomForestClassifier(n_estimators=100, random_state=42)
clf.fit(X_train, y_train)

모델 성능 평가

모델의 정확도를 훈련 데이터와 테스트 데이터에 각각 적용해보겠습니다.

train_score = clf.score(X_train, y_train) # 훈련 세트 정확도
test_score = clf.score(X_test, y_test) # 테스트 세트 정확도

print(f"훈련 데이터 정확도: {train_score:.3f}")
print(f"테스트 데이터 정확도: {test_score:.3f}")

훈련 데이터 정확도: 1.000
테스트 데이터 정확도: 1.000
  • 결과해석
    • 훈련/테스트 모두 정확도 100%라는 것은 모델이 모든 샘플을 완벽하게 분류했다는 의미
    • 아이리스 데이터셋은 잘 정제된 대표 데이터셋으로, 위 결과가 자연스러움
    • 현실 데이터에서는 이런 높은 정확도는 과적합(overfitting)의 가능성도 고려해야함

특성 중요도 분석

랜덤 포래스트는 각 특성이 예측에 얼마나 기여했는지를 feature_importances_ 속성으로 제공합니다.

for name, importance in zip(iris.feature_names, clf.feature_importances_):
    print(f"{name}: {importance:.3f}")

sepal length (cm): 0.108
sepal width (cm): 0.030
petal length (cm): 0.440
petal width (cm): 0.422
  • 결과해석
    • petal length와 petal width가 대부분의 결정에 큰 영향을 끼쳤습니다.
    • 반면 sepal width는 거의 도움이 되지 않았습니다.
    • 이는 실제로 petal 쪽 특성들이 품종 분리에 더 명확한 기준이 되는 것을 반영합니다.