본문 바로가기

분류 전체보기

(260)
파이썬 머신러닝 판다스 데이터 분석 7 정리 - 머신러닝 데이터 분석 1. 질문 파이썬 머신러닝 판다스 데이터 분석 7 질문 - 머신러닝 데이터 분석 1. 선형회귀와 로지스틱 회귀분석의 차이점과 문제점을 알려줘 선형회귀와 로지스틱 회귀분석의 차이점은 크게 세 가지가 있습니다. 종속 변수의 형태 선형회귀는 연속형 변수를 예측하는데 사 gurobig.tistory.com 2. 내용 파이썬 머신러닝 판다스 데이터 분석 7 - 머신러닝 데이터 분석 7장 머신러닝 데이터 분석 1. 머신러닝에 대해 1) 머신러닝 1 - 지도 학습 : 종속 변수 y를 토대로 정답이 있는 상태에서 회귀 분석(숫자) 분류를 한다. - 비지도 학습 : 종속 변수 y를 토대로 정답이 gurobig.tistory.com 3. 정리 1) 오전 - 다중 회귀 모델, 분류 모델 - KNN 2) 오후 - 분류 모델 ..
파이썬 머신러닝 판다스 데이터 분석 7 - 머신러닝 데이터 분석 7장 머신러닝 데이터 분석 1. 머신러닝에 대해 1) 머신러닝 1 - 지도 학습 : 종속 변수 y를 토대로 정답이 있는 상태에서 회귀 분석(숫자) 분류를 한다. - 비지도 학습 : 종속 변수 y를 토대로 정답이 없는 상태에서 군집 분석을 한다 단순 회귀 : x 변수 2개 이상 => y변수 1개(단순회귀) -> 학습, 파라미터, 개수 다중처리 : 소득 -> 소비 -> 다항 회귀 최종으로 구하고자 하는 값 : 절편, 기울기, 예측치 2) 머신러닝 2 지도학습 - 분류 - 그룹(범주형 변수) - 이진 분류 // 다층 분류 선형회귀 vs 로지스틱 회귀분석 (로지스틱 함수) KNN : 다수결의 원칙으로 분류하는 알고리즘 3) 머신러닝 3 - 모형 평가 (confusion matrix) 모형 평가 - 회귀 (결정계..
파이썬 머신러닝 판다스 데이터 분석 7 질문 - 머신러닝 데이터 분석 1. 선형회귀와 로지스틱 회귀분석의 차이점과 문제점을 알려줘 선형회귀와 로지스틱 회귀분석의 차이점은 크게 세 가지가 있습니다. 종속 변수의 형태 선형회귀는 연속형 변수를 예측하는데 사용되며, 종속 변수는 연속형 값이어야 합니다. 반면 로지스틱 회귀분석은 이항 분류 문제에 사용되며, 종속 변수는 이항 변수(0 또는 1)로 표현됩니다. 예측 방법 선형회귀는 종속 변수와 독립 변수 간의 선형 관계를 모델링합니다. 독립 변수의 값이 증가할 때 종속 변수도 증가하거나 감소합니다. 반면 로지스틱 회귀분석은 로지스틱 함수를 사용하여 종속 변수의 확률 값을 예측합니다. 로지스틱 함수는 S 자 형태의 곡선으로, 독립 변수의 값에 따라 종속 변수의 값을 0과 1 사이로 제한합니다. 모델 해석 선형회귀는 각 독립 변수가 종..
취업 정보 5월 2일 - 목표 설정 0. 취업 목표 설계 1) 들어가고자 하는 회사에 맞는 프로젝트를 진행하고 싶다. (또는 요구 기술을 배우고 싶다.) 2) 원하는 조건에 맞는 회사를 알아본다. 1. 목표 회사 설정 - Python, git, vscode를 다루는 곳 - 집 근처 (월급보다 경력 쌓는 것에 초점) - 구내 식당 존재 - 진행하는 프로젝트의 기술을 요구하는 회사. 2. 리스트업 1) 에스에스알 회사소개 IT 인프라 취약점 진단, 모의해킹, 정보보호 컨설팅, 정보보호 관리시스템 인증, 자체 보안솔루션 개발 등 보안 연구 및 컨설팅 사업을 수행하는 과학기술정보통신부 지정 `정보보호 전문서비스 기업`입니다. 공공, 금융, 기업, 교육, 병원 등 다양한 산업분야에서 50만회 이상의 취약점 진단과 6만대 이상의 솔루션 제품 납품 및..
파이썬 머신러닝 판다스 데이터 분석 6,7 정리 - 데이터프레임의 다양한 응용, 머신러닝 데이터 분석 1. 질문 파이썬 머신러닝 판다스 데이터 분석 6,7 질문 - 데이터프레임의 다양한 응용, 머신러닝 데이터 1. distplot과 regplot, kdeplot의 차이점이 뭐니 아니요, distplot과 regplot 모두 1차원 데이터를 시각화하는 함수입니다. distplot은 주로 분포를 확인하는데 사용되고, regplot은 두 변수 간의 관계를 파악하 gurobig.tistory.com 2. 내용 파이썬 머신러닝 판다스 데이터 분석 6,7 - 데이터프레임의 다양한 응용, 머신러닝 데이터 분석 6장 데이터프레임의 다양한 응용 1. 데이터프레임 병합 * 데이터프레임 병합 # 부수적인 요소 # %% # 데이터프레임 병합 # Ipyhton 디스플레이 설정 변경 import pandas as pd pd.se..
파이썬 머신러닝 판다스 데이터 분석 6,7 질문 - 데이터프레임의 다양한 응용, 머신러닝 데이터 분석 1. distplot과 regplot, kdeplot의 차이점이 뭐니 아니요, distplot과 regplot 모두 1차원 데이터를 시각화하는 함수입니다. distplot은 주로 분포를 확인하는데 사용되고, regplot은 두 변수 간의 관계를 파악하는데 사용됩니다. regplot에서 회귀선을 그리기 위해 2차원 데이터가 필요하지만, 그리는 그래프 자체는 1차원으로 표현됩니다. 서로 다른 색상을 표시하려면 sns.regplot() 함수를 두 번 호출하여 그리면 됩니다. 또한 kdeplot 함수와 distplot 함수는 모두 분포를 시각화하기 위한 함수로, distplot 함수는 히스토그램과 함께 밀도 그래프를 그리는 반면에 kdeplot 함수는 밀도 그래프만을 그린다는 차이점이 있습니다.
파이썬 머신러닝 판다스 데이터 분석 6,7 - 데이터프레임의 다양한 응용, 머신러닝 데이터 분석 6장 데이터프레임의 다양한 응용 1. 데이터프레임 병합 * 데이터프레임 병합 # 부수적인 요소 # %% # 데이터프레임 병합 # Ipyhton 디스플레이 설정 변경 import pandas as pd pd.set_option("display.max_columns",10) # 출력할 최대 열의 개수 pd.set_option("display.max_colwidth",20) # 출력할 열의 너비 pd.set_option("display.unicode.east_asian_width",True) # 유니코드 사용 너비 조정 ##데이터프레임 병합 # SQL JOIN 유사 = 좌우 병합 = merge() # 공통된 열, 인덱스 = 키 # 라이브러리 불러오기 import pandas as pd # 데이터 불러오기 df..
파이썬 머신러닝 판다스 데이터 분석 5,6 정리 - 데이터 사전 처리, 데이터프레임의 다양한 응용 1. 질문 x 2. 내용 파이썬 머신러닝 판다스 데이터 분석 5,6 - 데이터 사전 처리, 데이터프레임의 다양한 응용 5장 데이터 사전 처리 1. 범주형 데이터 처리 * 범주형 데이터 처리 # %% # 범주형(카테고리) 데이터 처리 # 데이터 구간 분할 import pandas as pd import numpy as np df=pd.read_csv(r'/content/drive/MyDrive/BDA/part4/auto- gurobig.tistory.com 3. 정리 1) 오전 - 데이터 사전 처리 2) 오후 - 데이터프레임의 다양한 응용 * 핵심 - join=inner 사용법 익숙해지기 - 범주형 데이터 처리 , 정규화, 함수 맵핑, 합치기, 연결하기 익숙해지기 * 오늘 작성한 코드 (0428 Pytho..
파이썬 머신러닝 판다스 데이터 분석 5,6 - 데이터 사전 처리, 데이터프레임의 다양한 응용 5장 데이터 사전 처리 1. 범주형 데이터 처리 * 범주형 데이터 처리 # %% # 범주형(카테고리) 데이터 처리 # 데이터 구간 분할 import pandas as pd import numpy as np df=pd.read_csv(r'/content/drive/MyDrive/BDA/part4/auto-mpg.csv', header=None) df.columns = ["mpg","cylinders","displacement","horsepower", "weight","acceleration","model year","origin","name"] # horsepower 열의 누락 데이터("?")를 삭제하고 실수형으로 변환 df["horsepower"].replace("?",np.nan, inplace=Tr..
JLPT N3 1일차 - 한자를 외우기 (수정중) * 능력치 판단 한자 > 독해 1. 한자를 쉽게 외우는 법에 대해 1) 1의 방법 // 부수로 이해하기 왼쪽 = へん 오른쪽 = つくり 위 = かんむり 아래 = あし 위 왼쪽 = たれ 아래 왼쪽 = にょう 바깥쪽 = かまえ 2) 2의 방법 // 뉴스 독해로 이해하기 NEWS WEB EASY NEWS WEB EASYは、小学生・中学生の皆さんや、日本に住んでいる外国人のみなさんに、わかりやすいことば でニュースを伝えるウェブサイトです。 www3.nhk.or.jp 3) 모의고사 풀기

728x90
반응형