fish_length = 31

if fish_length >= 30:
  print("도미")

#도미 데이터
#각각의 데이터 = 샘플
#데이터의 특징 = 특성(feature) 이 예에서는 길이, 무게

#도미의 길이
bream_length = [25.4, 26.3, 26.5, 29.0, 29.0, 29.7, 29.7, 30.0, 30.0, 30.7, 31.0, 31.0, 
                31.5, 32.0, 32.0, 32.0, 33.0, 33.0, 33.5, 33.5, 34.0, 34.0, 34.5, 35.0, 
                35.0, 35.0, 35.0, 36.0, 36.0, 37.0, 38.5, 38.5, 39.5, 41.0, 41.0]
#도미의 무게
bream_weight = [242.0, 290.0, 340.0, 363.0, 430.0, 450.0, 500.0, 390.0, 450.0, 500.0, 475.0, 500.0, 
                500.0, 340.0, 600.0, 600.0, 700.0, 700.0, 610.0, 650.0, 575.0, 685.0, 620.0, 680.0, 
                700.0, 725.0, 720.0, 714.0, 850.0, 1000.0, 920.0, 955.0, 925.0, 975.0, 950.0]

#특성이 2개 있을때 2차원 그래프로 그려보기
#파이썬에서 과학계산용 그래프를 그리는 대표적인 패키지 맷플롯립matplib
import matplotlib.pyplot as plt

plt.scatter(bream_length, bream_weight)   #도미의 특성 scatter plot 그리기, 
plt.xlabel('length')  #x축 이름 length
plt.ylabel('weight')  #y축 이름 weight
plt.show()
# 산점도 그래프가 일직선에 가까운 모습으로 나타난다 = 선형적(linear)이다.

#빙어의 데이터
smelt_length = [9.8, 10.5, 10.6, 11.0, 11.2, 11.3, 11.8, 11.8, 12.0, 12.2, 12.4, 13.0, 14.3, 15.0]
smelt_weight = [6.7, 7.5, 7.0, 9.7, 9.8, 8.7, 10.0, 9.9, 9.8, 12.2, 13.4, 12.2, 19.7, 19.9]

plt.scatter(bream_length, bream_weight)
plt.scatter(smelt_length, smelt_weight)
plt.xlabel('length')
plt.ylabel('weight')
plt.show()
#주황색 = 빙어, 파란색 = 도미

length = bream_length + smelt_length
weight = bream_weight + smelt_weight

fish_data=[
    [l,w]
    for l,w in zip(length,weight)
]
#zip 함수를 이용하여 리스트 컴프리헨션
fish_data

#정답과 오답의 데이터를 알려줌, 정답 : 1, 오답 : 0
fish_target = [1]*35 + [0]*14
fish_target

from sklearn.neighbors import KNeighborsClassifier

kn = KNeighborsClassifier()   #K-NeighborsClassifier 객체생성
kn.fit(fish_data, fish_target)    #kn객체의 fit method에 전달 -> 머신러닝 모델 훈련
kn.score(fish_data, fish_target)  #얼마만큼 잘 학습이 되었는지 -> 정확도(accuracy)

kn.predict([[30,600]])    #새로운[[30,600]] 데이터를 주고 예측하기 -> 반환값 : 1 도미로 예측

plt.scatter(bream_length, bream_weight) 
plt.scatter(smelt_length, smelt_weight) 
plt.scatter(30,600, marker='^')
plt.xlabel('length') 
plt.ylabel('weight')
plt.show()

kn._fit_X #_fit_X 속성에 전달한 fish_data를 모두 가지고 있음

kn._y #y속성에 fish_target을 가지고 있음

kn49 = KNeighborsClassifier(n_neighbors=49)   #참고 데이터를 49개로 한 kn49 모델

#데이터에 도미가 절대 다수이므로 어떤 데이터를 넣어도 도미로 판단한다.
kn49.fit(fish_data, fish_target)
kn49.score(fish_data,fish_target)

print(35/49) #정확히 도미의 개수와 같은 정확도가 나온다

kn = KNeighborsClassifier()
kn.fit(fish_data,fish_target)

for n in range(5,50):
  kn.n_neighbors = n
  score = kn.score(fish_data,fish_target)
  if score<1:
    print(n,score)
    break