📅 2025년 4월 7일 - 머신러닝 모델 비교와 OpenCV 이미지 처리 실습

 

오늘은 머신러닝의 대표적인 분류 알고리즘인 SVM, 로지스틱 회귀, KNN을 Iris 데이터셋에 적용해보고, OpenCV를 활용해 이미지 불러오기와 전처리도 실습했습니다. 각각의 모델이 데이터를 어떻게 처리하고 예측하는지 살펴보고, 그 결과를 평가하는 방법도 함께 배웠습니다. 또한 이미지 파일을 열고, 회색조로 변환한 뒤 저장 및 출력하는 과정을 익혔습니다.

---

1. 🌸 Iris 데이터셋 분류 실습

Iris 데이터셋은 머신러닝 입문자들이 가장 많이 활용하는 꽃잎 길이/너비 데이터를 포함한 분류용 데이터입니다.

(1) 데이터셋 불러오기

from sklearn import datasets

# 사이킷런에서 제공하는 아이리스 데이터셋 불러오기
d = datasets.load_iris()
print(d.DESCR)  # 데이터셋 설명 출력

# 전체 데이터 출력
for i in range(0,len(d.data)):
    print(i+1, d.data[i], d.target[i])

---

(2) SVM 분류기 학습 및 예측

from sklearn import svm

s = svm.SVC(gamma=0.1, C=10)
s.fit(d.data, d.target)  # 전체 데이터로 학습

# 새로운 샘플 2개를 예측
new_d = [[6.4,3.2,6.0,2.5], [7.1,3.1,4.7,1.35]]
res = s.predict(new_d)
print("새로운 2개 샘플의 부류는", res)

---

(3) 교차검증으로 SVM 평가

from sklearn.model_selection import cross_val_score

accuracies = cross_val_score(s, d.data, d.target, cv=5)
print(accuracies)
print("정확률(평균)=%0.3f, 표준편차 =%0.3f" % (accuracies.mean()*100, accuracies.std()))

---

(4) SVM + Confusion Matrix

from sklearn.model_selection import train_test_split
import numpy as np

x_train, x_test, y_train, y_test = train_test_split(d.data, d.target, train_size=0.6)
s.fit(x_train, y_train)
res = s.predict(x_test)

conf = np.zeros((3, 3))
for i in range(len(res)):
    conf[res[i]][y_test[i]] += 1
print(conf)

no_correct = sum(conf[i][i] for i in range(3))
accuracy = no_correct / len(res)
print("테스트 집합에 대한 정확률은", accuracy * 100, "%입니다.")

---

2. 🔢 로지스틱 회귀 실습

from sklearn.linear_model import LogisticRegression

logreg = LogisticRegression()
logreg.fit(d.data, d.target)
res = logreg.predict(new_d)
print("새로운 2개 샘플의 부류는", res)

교차검증

accuracies = cross_val_score(logreg, d.data, d.target, cv=5)
print(accuracies)
print("정확률(평균)=%0.3f, 표준편차 =%0.3f" % (accuracies.mean()*100, accuracies.std()))

Confusion Matrix

logreg.fit(x_train, y_train)
res = logreg.predict(x_test)

conf = np.zeros((3, 3))
for i in range(len(res)):
    conf[res[i]][y_test[i]] += 1
print(conf)

no_correct = sum(conf[i][i] for i in range(3))
accuracy = no_correct / len(res)
print("테스트 집합에 대한 정확률은", accuracy * 100, "%입니다.")

---

3. 👥 KNN (K-최근접 이웃) 실습

from sklearn.neighbors import KNeighborsClassifier

k = 3
knn = KNeighborsClassifier(n_neighbors=k)
knn.fit(d.data, d.target)
res = knn.predict(new_d)
print("새로운 2개 샘플의 부류는", res)

교차검증

accuracies = cross_val_score(knn, d.data, d.target, cv=5)
print(accuracies)
print("정확률(평균)=%0.3f, 표준편차 =%0.3f" % (accuracies.mean()*100, accuracies.std()))

Confusion Matrix

knn.fit(x_train, y_train)
res = knn.predict(x_test)

conf = np.zeros((3, 3))
for i in range(len(res)):
    conf[res[i]][y_test[i]] += 1
print(conf)

no_correct = sum(conf[i][i] for i in range(3))
accuracy = no_correct / len(res)
print(no_correct)
print("테스트 집합에 대한 정확률은", accuracy * 100, "%입니다.")

---

4. 🖼️ OpenCV 이미지 처리

(1) 이미지 불러오기 및 표시

import cv2 as cv
import sys

img = cv.imread('plant2_test1.jpg')  # 이미지 경로 주의
if img is None:
    sys.exit("파일을 찾을 수 없습니다.")

cv.imshow('Image Display', img)
cv.waitKey()
cv.destroyAllWindows()

(2) 이미지 축소

img_small = cv.resize(img, dsize=(0,0), fx=0.25, fy=0.25)
print(img.shape)

cv.imshow('Image Display', img_small)
cv.waitKey()
cv.destroyAllWindows()

(3) 흑백 변환 및 저장

gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
gray_small = cv.resize(gray, dsize=(0,0), fx=0.5, fy=0.5)

cv.imwrite('gray.jpg', gray)
cv.imwrite('gray_small.jpg', gray_small)

cv.imshow('Color image', img)
cv.imshow('Gray image', gray)
cv.imshow('Gray image small', gray_small)

cv.waitKey()
cv.destroyAllWindows()

---

5. 🔁 콜백 함수 이해하기

def callback_func(func):
    for i in range(5):
        func(i)

def print_hello(num):
    print("hello", num)

def print_python(num):
    print("python", num)

callback_func(print_hello)
callback_func(print_python)

👉 어떤 함수를 인자로 받아서 반복 실행시키는 “콜백 함수” 개념을 실습했습니다.

---

✏️ 느낀 점 (부족했던 부분)

• 이미지 경로 오류가 자주 났습니다. 파일을 프로젝트 폴더와 같은 위치에 정확하게 넣지 않으면 imread에서 파일을 못 찾습니다.
• 로지스틱 회귀는 max_iter 설정이 없어서 에러 날 수 있으므로, 모델 생성 시 max_iter=200 정도로 지정해주는 게 좋습니다.
• Confusion Matrix의 행과 열 위치가 조금 헷갈렸습니다. 예측값/실제값 순서를 주의해야 합니다.

---

🛠 개선할 점

• 각 모델의 파라미터 튜닝(C, gamma, k 등)을 바꿔보며 성능 차이를 비교하는 실험이 부족했습니다.
• 정확도 외에 정밀도(precision), 재현율(recall)도 함께 출력하면 더 실용적인 분석이 될 것 같습니다.
• 이미지 전처리 후, 머신러닝 모델과 연동해 식물 분류기를 만들어보면 재미있을 것 같습니다.

---

📌 요약 정리

• Iris 데이터셋을 통해 SVM, 로지스틱 회귀, KNN 모델을 학습하고 성능을 평가해보았습니다.
• OpenCV를 이용한 이미지 읽기, 흑백 변환, 축소 및 저장을 실습하였습니다.
• 콜백 함수의 원리를 이해하고 간단한 함수로 적용해보았습니다.