[빅분기 실기] 2유형 (5) Iris 붓꽃 종 분류로 배우는 이진분류 모델링 (RandomForest)

빅데이터분석기사(빅분기) 실기 2유형의 핵심! Iris 붓꽃 데이터셋을 활용한 이진분류(Binary Classification) 문제를 처음부터 끝까지 완벽하게 해결하는 방법을 배웁니다. 결측치·이상치 처리부터 랜덤포레스트(RandomForest) 모델링, 정확도(Accuracy)·F1-Score·AUC 성능평가, 그리고 예측값 제출까지 실전 코드와 함께 상세히 해설합니다. 실기 시험에서 바로 써먹을 수 있는 핵심 팁이 가득합니다!

---

📌 빅분기 실기 2유형이란?

빅데이터 분석기사 실기 시험의 제2유형은 주어진 데이터셋으로 머신러닝 모델을 구축하고 성능을 평가하는 문제입니다.

2유형 문제의 핵심 5단계:

1. 라이브러리 및 데이터 확인
2. 탐색적 데이터 분석(EDA)
3. 데이터 전처리 및 분리
4. 모델링 및 성능평가
5. 예측값 제출

오늘은 Iris(붓꽃) 데이터셋을 활용한 이진분류 문제를 통해 이 5단계를 완벽하게 마스터해보겠습니다.

---

🌸 Iris 붓꽃 데이터셋이란?

Iris 데이터셋은 머신러닝 입문자라면 누구나 한 번쯤 접하는 대표적인 분류 문제 데이터입니다.

데이터 구성:

• 특징(Features): 꽃받침 길이/너비(sepal_length/width), 꽃잎 길이/너비(petal_length/width)
• 타겟(Target): 붓꽃의 종(Species) - Setosa, Versicolor, Virginica 3종

이번 문제의 특징:

• 원래 3개 클래스(다중분류)를 이진분류로 변환
• Setosa 종은 0, 나머지 종(Versicolor, Virginica)은 1로 통합
• 의도적으로 삽입된 결측치와 이상치 처리 필요

---

1️⃣ 라이브러리 및 데이터 확인

📚 필수 라이브러리 불러오기

 

 

python

import pandas as pd 
import numpy as np

핵심 포인트:

• pandas: 데이터프레임 조작의 핵심
• numpy: 수치 연산 및 배열 처리

🔧 실기환경 데이터셋 세팅

 

 

python

############### 실기환경 복사 영역 ###############
import pandas as pd
import numpy as np

# 실기 시험 데이터셋으로 셋팅하기 (수정금지)
from sklearn.datasets import load_iris

# Iris 데이터셋을 로드
iris = load_iris()
x = pd.DataFrame(iris.data,
                 columns=['sepal_length', 'sepal_width',
                         'petal_length', 'petal_width'])
y = iris.target  # 'setosa'=0, 'versicolor'=1, 'virginica'=2
y = np.where(y>0, 1, 0)  # setosa 종은 0, 나머지 종은 1로 변경

💡 이진분류 변환 코드 해설:

• y = iris.target: 원본은 0, 1, 2 세 가지 클래스
• np.where(y>0, 1, 0): 0보다 크면 1로, 아니면 0으로 변환
• 결과: Setosa(0) vs 나머지(1)의 이진분류 문제로 전환

 

🔀 Train/Test 데이터 분리

 

 

python

from sklearn.model_selection import train_test_split
x_train, x_test, y_train, y_test = train_test_split(
    x, y, 
    test_size=0.2,
    stratify=y,
    random_state=2023
)

x_test = pd.DataFrame(x_test)
x_train = pd.DataFrame(x_train)
y_train = pd.DataFrame(y_train)
y_train.columns = ['species']

⚠️ stratify 파라미터의 중요성:

• stratify=y: 클래스 비율을 유지하면서 분리
• 이진분류에서 클래스 불균형 문제를 방지
• 실기 시험에서 필수적으로 사용해야 하는 옵션

🚨 결측치·이상치 의도적 삽입

 

 

python

# 결측치 삽입
x_test.loc[x_test.index[0], 'sepal_length'] = None
x_train.loc[x_train.index[0], 'sepal_length'] = None

# 이상치 삽입
x_train.loc[x_train.index[0], 'sepal_width'] = 150
############### 실기환경 복사 영역 ###############

🎯 실기 시험 시뮬레이션:

• 실제 시험에서도 이렇게 결측치와 이상치가 포함되어 출제됩니다
• 데이터 전처리 능력을 평가하는 핵심 요소

📝 중요 참고사항

 

 

python

### 참고사항 ###
# y_test는 실기 문제상에 주어지지 않음
# ★Tip: X를 대문자로 쓰지말고 소문자 x로 쓰세요.
# 시험에서 실수하기 쉽습니다.(문제풀기 전에 소문자로 변경!)

🔥 실전 꿀팁:

• 변수명은 항상 소문자 x, y 사용 (시험장에서 오타 방지)
• y_test는 실제 시험에서 제공되지 않음
• 2023년 10월 이후 시험 환경 변경사항 숙지 필요

---

2️⃣ 탐색적 데이터 분석(EDA)

📊 데이터 형태 확인

 

 

python

# 데이터의 행/열 확인
print(x_train.shape)  # (120, 4)
print(x_test.shape)   # (30, 4)
print(y_train.shape)  # (120, 1)

해석:

• 훈련 데이터 120개, 테스트 데이터 30개
• 특징 변수 4개 (꽃받침/꽃잎의 길이/너비)

👀 초기 데이터 확인

 

 

python

# 초기 데이터 확인
print(x_train.head(3))
print(x_test.head(3))
print(y_train.head(3))

확인 포인트:

• 각 컬럼의 데이터 형태
• 수치형 데이터인지, 범주형 데이터인지
• 눈에 띄는 이상한 값이 있는지

🔍 데이터 타입 및 결측치 확인

 

 

python

# 변수명과 데이터 타입이 매칭이 되는지, 결측치가 있는지 확인
print(x_train.info())
print(x_test.info())
print(y_train.info())

💡 info() 메서드로 확인할 것:

• Non-Null Count: 결측치 개수 파악
• Dtype: 데이터 타입 (float64, int64, object 등)
• Memory usage: 메모리 사용량

📈 기초통계량 비교

 

 

python

# x_train과 x_test 데이터의 기초통계량을 잘 비교해 보세요.
print(x_train.describe().T)
print(x_test.describe().T)
print(y_train.describe().T)

⚠️ describe()에서 발견해야 할 것:

• 이상치: max 값이 비정상적으로 큰 경우 (예: sepal_width가 150)
• 결측치: count 개수가 다른 컬럼들과 다른 경우
• 척도 차이: 변수 간 범위(range)가 크게 다른 경우

🎯 타겟 변수 분포 확인

 

 

python

# y 데이터도 구체적으로 살펴보자
print(y_train.head())
print(y_train.value_counts())

클래스 불균형 체크:

• 0과 1의 개수가 비슷한지 확인
• 심한 불균형이 있다면 모델링 시 추가 조치 필요

---

3️⃣ 데이터 전처리 및 분리

🔴 결측치 처리

Step 1: 결측치 확인

 

 

python

# 결측치 확인
print(x_train.isnull().sum())
print(x_test.isnull().sum())
print(y_train.isnull().sum())

출력 예시:

sepal_length    1  # <- 결측치 발견!
sepal_width     0
petal_length    0
petal_width     0

Step 2: 결측치 대체 전략

 

 

python

# 결측치 대체(중앙값)
# 주의사항: train 데이터의 중앙값으로 test 데이터도 변경해줘야 함
median = x_train['sepal_length'].median() 
x_train['sepal_length'] = x_train['sepal_length'].fillna(median)
x_test['sepal_length'] = x_test['sepal_length'].fillna(median)

🎯 결측치 대체 방법 선택 가이드:

변수 유형추천 방법코드 예시

연속형 (대칭분포)	평균값	df['col'].mean()
연속형 (왜도 존재)	중앙값	df['col'].median()
범주형	최빈값	df['col'].mode()[0]

⚠️ 핵심 주의사항:

• 반드시 train 데이터의 통계량으로 test 데이터도 처리
• test 데이터는 "unseen data"이므로 독립적으로 계산하면 안 됨
• 이를 데이터 누수(Data Leakage) 방지라고 함

🟠 이상치 처리

Step 1: 이상치 탐지

 

 

python

# 이상치 확인
cond1 = (x_train['sepal_width'] > 10)
print(len(x_train[cond1]))  # 1개 발견

이상치 판단 기준:

• 도메인 지식 활용 (붓꽃 꽃받침 너비가 150은 비현실적)
• IQR(사분위수 범위) 기법
• 표준편차 기법 (평균 ± 3σ)

Step 2: 이상치 대체

 

 

python

# 이상치를 제외한 Max 값을 구해서 대체
cond1 = (x_train['sepal_width'] <= 10)
max_sw = x_train[cond1]['sepal_width'].max()
print(max_sw)  # 정상 범위의 최댓값

x_train['sepal_width'] = np.where(
    x_train['sepal_width'] >= 10, 
    max_sw, 
    x_train['sepal_width']
)
print(x_train.describe())

 

💡 np.where() 함수 활용법:

 

python

np.where(조건, 참일 때 값, 거짓일 때 값)

• 조건: x_train['sepal_width'] >= 10
• 참(이상치): max_sw로 대체
• 거짓(정상): 원래 값 유지

🟢 변수 처리 (필요 시)

 

 

python

# 불필요한 변수 제거
# df = df.drop(columns=['변수1', '변수2'])
# df = df.drop(['변수1', '변수2'], axis=1)

# 필요 시 변수 추가(파생변수 생성)
# df['파생변수명'] = df['A'] * df['B']

# 원핫인코딩(가변수 처리) - 범주형 변수가 있을 때
# x_train = pd.get_dummies(x_train)
# x_test = pd.get_dummies(x_test)
# print(x_train.info())
# print(x_test.info())

🔥 실전 팁:

• Iris 데이터는 모두 수치형이므로 원핫인코딩 불필요
• 실제 시험에서 범주형 변수가 있다면 반드시 인코딩 필요

🔵 검증 데이터 분리

 

 

python

from sklearn.model_selection import train_test_split
x_train, x_val, y_train, y_val = train_test_split(
    x_train,          # 특징 행렬
    y_train,          # 타깃 벡터
    test_size=0.2,
    stratify=y_train, # 계층 샘플링
    random_state=2023
)

print(x_train.shape)  # (96, 4)
print(x_val.shape)    # (24, 4)
print(y_train.shape)  # (96, 1)
print(y_val.shape)    # (24, 1)

❓ 왜 검증 데이터를 따로 분리할까?

• Train: 모델 학습용
• Validation: 모델 성능 평가용 (Accuracy, F1, AUC 계산)
• Test: 최종 예측값 제출용 (정답 없음)

🎯 stratify 파라미터 재강조:

• 클래스 비율을 유지하며 분리
• 불균형 데이터에서 필수

---

4️⃣ 모델링 및 성능평가

🌲 랜덤포레스트 모델 구축

 

 

python

# 랜덤포레스트 모델 사용 (참고: 회귀모델은 RandomForestRegressor)
from sklearn.ensemble import RandomForestClassifier
model = RandomForestClassifier()
model.fit(x_train, y_train)

💡 RandomForestClassifier 기본 개념:

• 여러 개의 결정 트리(Decision Tree)를 만들어 투표로 결정
• 앙상블 기법의 대표 모델
• 과적합에 강하고, 성능이 우수함

🔥 회귀 vs 분류 주의:

• 분류(Classification): RandomForestClassifier
• 회귀(Regression): RandomForestRegressor

🎯 예측 수행

 

python

# 모델을 사용하여 검증 데이터 예측
y_pred = model.predict(x_val)

predict() 메서드:

• 입력: 특징 데이터 (x_val)
• 출력: 예측 클래스 (0 또는 1)

📊 모델 성능 평가

 

python

# 모델 성능 평가 (accuracy, f1 score, AUC 등)
from sklearn.metrics import accuracy_score, f1_score, roc_auc_score

acc = accuracy_score(y_val, y_pred)   # (실제값, 예측값)
f1 = f1_score(y_val, y_pred)          # (실제값, 예측값) 
auc = roc_auc_score(y_val, y_pred)    # (실제값, 예측값)

# 정확도 (Accuracy)
print(f"Accuracy: {acc:.4f}")

# F1 Score
print(f"F1-Score: {f1:.4f}")

# AUC 
print(f"AUC: {auc:.4f}")

📈 성능 지표 완벽 이해:

1) Accuracy (정확도)

Accuracy = (TP + TN) / (TP + TN + FP + FN)

• 전체 중 올바르게 예측한 비율
• 가장 직관적인 지표
• 단점: 클래스 불균형 시 왜곡 가능

2) F1-Score

 

 

F1 = 2 × (Precision × Recall) / (Precision + Recall)

• Precision(정밀도)과 Recall(재현율)의 조화평균
• 클래스 불균형 문제에 강건
• 다중분류일 경우: f1_score(y_val, y_pred, average='macro')

3) AUC (Area Under the ROC Curve)

• ROC 곡선 아래 면적
• 0.5~1.0 사이 값 (0.5는 랜덤, 1.0은 완벽)
• 임계값(threshold)에 무관한 평가

🎯 실기 시험 팁:

• 문제에서 요구하는 지표를 정확히 계산
• 보통 Accuracy, F1-Score, AUC 중 1~2개 요구

🔍 혼동행렬(Confusion Matrix) 확인

 

 

python

# 참고사항
from sklearn.metrics import confusion_matrix
cm = confusion_matrix(y_val, y_pred)  # (실제값, 예측값)
print(cm)

출력 예시:

 

[[12  0]
 [ 1 11]]

해석:

 

                예측 0    예측 1
실제 0 (TN)      12        0  (FP)
실제 1 (FN)       1       11  (TP)

• TN (True Negative): 12개 - 0을 0으로 정확히 예측
• FP (False Positive): 0개 - 0을 1로 잘못 예측
• FN (False Negative): 1개 - 1을 0으로 잘못 예측
• TP (True Positive): 11개 - 1을 1로 정확히 예측

---

5️⃣ 예측값 제출

⚠️ 핵심 주의사항

 

python

# (주의) x_test를 모델에 넣어 나온 예측값을 제출해야 함

🚨 실기 시험 최다 실수:

• x_val이 아닌 x_test로 예측해야 함
• y_test는 제공되지 않음 (당연히!)

📌 방법 1: 클래스 예측 (predict)

 

 

python

# 1. 특정 클래스로 분류할 경우 (predict)
y_result = model.predict(x_test)
print(y_result[:5])
# 출력: [0 1 1 0 1] - 각 샘플의 예측 클래스

predict() 특징:

• 출력: 0 또는 1 (클래스 레이블)
• 문제에서 "분류 결과 제출" 요구 시 사용

📌 방법 2: 확률 예측 (predict_proba)

 

 

python

# 2. 특정 클래스로 분류될 확률을 구할 경우 (predict_proba)
y_result_prob = model.predict_proba(x_test)
print(y_result_prob[:5])
# 출력:
# [[0.92 0.08]   <- 0일 확률 92%, 1일 확률 8%
#  [0.15 0.85]   <- 0일 확률 15%, 1일 확률 85%
#  ...]

predict_proba() 특징:

• 출력: 각 클래스에 속할 확률 (0~1 사이)
• 문제에서 "확률값 제출" 요구 시 사용

🔍 결과 비교 분석

 

python

# 이해해보기
result_prob = pd.DataFrame({
    'result': y_result,
    'prob_0': y_result_prob[:, 0],
    'prob_1': y_result_prob[:, 1]
})
# setosa일 확률: y_result_prob[:, 0]
# 그 외 종일 확률: y_result_prob[:, 1]
print(result_prob[:5])

출력 예시:

   result  prob_0  prob_1
0       0    0.92    0.08
1       1    0.15    0.85
2       1    0.22    0.78
3       0    0.88    0.12
4       1    0.05    0.95

💡 해석:

• 첫 번째 샘플: 92% 확률로 클래스 0 → 결과 0
• 두 번째 샘플: 85% 확률로 클래스 1 → 결과 1

💾 최종 제출 파일 저장

 

python

# ★ Tip: 데이터를 저장한 다음 불러와 제대로 제출되었는지 확인
pd.DataFrame({'result': y_result}).to_csv('수험번호.csv', index=False)
df2 = pd.read_csv('수험번호.csv')
print(df2.head())

🎯 실기 시험 제출 체크리스트:

• 파일명이 수험번호.csv 형식인가?
• 컬럼명이 문제 요구사항과 일치하는가? (보통 'result' 또는 'pred')
• index=False로 설정했는가?
• 제출 전 파일을 다시 불러와 확인했는가?

---

🎓 빅분기 2유형 완벽 정복 핵심 요약

✅ 반드시 기억해야 할 5가지

1. 변수명은 소문자 x, y 사용 - 시험장 실수 방지
2. train 통계량으로 test 처리 - 데이터 누수 방지
3. stratify 파라미터 필수 사용 - 클래스 비율 유지
4. x_test로 최종 예측 - x_val이 아님 주의!
5. 제출 전 파일 재확인 - 형식 오류로 0점 방지

🔥 실전 코딩 순서 암기

1. 데이터 로드 → 2. EDA (shape, info, describe, value_counts)
→ 3. 결측치 처리 (fillna) → 4. 이상치 처리 (np.where)
→ 5. 변수 처리 (drop, get_dummies) → 6. 데이터 분리 (train_test_split)
→ 7. 모델 학습 (fit) → 8. 예측 (predict) → 9. 평가 (accuracy, f1, auc)
→ 10. 최종 예측 (x_test) → 11. 제출 (to_csv)

📚 성능 지표 선택 가이드

상황추천 지표이유

클래스 균형	Accuracy	직관적이고 간단
클래스 불균형	F1-Score	Precision과 Recall 균형
확률 예측 평가	AUC	임계값 무관 평가
거짓양성 비용 큼	Precision	FP 최소화 중요
거짓음성 비용 큼	Recall	FN 최소화 중요

---

💬 마치며

빅데이터 분석기사 실기 2유형은 단순 암기가 아닌 이해와 실습이 중요합니다.

오늘 배운 Iris 분류 문제를 최소 3번 이상 반복해서 손에 익히세요.

• 1회차: 코드 보면서 따라하기
• 2회차: 해설 보면서 직접 작성
• 3회차: 아무것도 안 보고 처음부터 끝까지

이 흐름이 몸에 배면 어떤 데이터셋이 나와도 당황하지 않고 해결할 수 있습니다.

여러분의 빅분기 합격을 응원합니다! 🎉

---

https://intjpark.tistory.com/55

[빅분기 실기] 1유형 데이터 다루기 마스터하기

https://intjpark.tistory.com/56

[빅분기 실기] 1유형 데이터 다루기 마스터하기 (2) - 필터링, 정렬, 조건부 수정

https://intjpark.tistory.com/58

[빅분기 실기] 1유형 데이터 다루기 마스터하기 (3) - 결측치, 이상치, 중복값 완벽하게 처리하기

https://intjpark.tistory.com/60

[빅분기 실기] 1유형 데이터 다루기 마스터하기 (4) 데이터 스케일링, 결합, 그리고 날짜 데이터

https://intjpark.tistory.com/61

[빅분기 실기] 2유형 (1) 데이터 전처리, EDA, 모델선정

https://intjpark.tistory.com/62

[빅분기 실기] 2유형 (2) 모델링 및 성능평가, 예측값 제출

https://intjpark.tistory.com/64

[빅분기 실기] 2유형 (3) 회귀 분석 완벽 정복! 당뇨병 데이터 예측 및 모델 평가 (RandomForest)

https://intjpark.tistory.com/65

[빅분기 실기] 2유형 (4) 회귀분석 완벽 정복 (Python 랜덤포레스트 팁 예측)