Be Brave, Be Humble

https://github.com/FulISun/AI_ML-DL_Intermediate/blob/main/machine_learning/04_knn.ipynb scikit-learn을 이용한 k 최근접 이웃 개요 knn 알고리즘은 입력된 새로운 데이터와 가장 비슷한 k개 학습데이터를 찾아서 그 데이터의 평균이나 투표 결과를 결과값으로 되돌려주는 알고리즘 => k개 주변의 평균값! 따라서 k가 작을수록 데이터에 민감하게 반응함 (아래 예시에서 확인 할 것) 분류 문제인 경우 위 그림처럼 가장 가까운 데이터를 찾고 많은 쪽에 속하도록 분류 회귀문제인 경우 가까운 데이터의 타겟 평균값이 결과가 됨 In [66]: import numpy as np import matplotlib.pyplot as plt imp..

https://github.com/FulISun/AI_ML-DL_Intermediate/blob/main/machine_learning/03_kmeans_pca.ipynb In [21]: import numpy as np import matplotlib.pyplot as plt from matplotlib.colors import ListedColormap import pandas as pd cm2 = ListedColormap(['C1', 'C2']) cm3 = ListedColormap(['C1', 'C2', 'C3']) scikit-learn을 이용한 K-means 클러스터링 주어진 데이터를 k개 집단으로 군집하는 방법 데이터가 집단을 이룬다고 할 때 그 집단의 중심점을 찾음 처음 중심점을 무작위로..

https://github.com/FulISun/AI_ML-DL_Intermediate/blob/main/sklearn/02_decision_tree.ipynb scikit-learn을 이용한 결정트리 In [ ]: import numpy as np import matplotlib.pyplot as plt from matplotlib.colors import ListedColormap import pandas as pd import graphviz from sklearn.tree import export_graphviz from imageio import imread cm2 = ListedColormap(['C1', 'C2']) cm3 = ListedColormap(['C1', 'C2', 'C3']) 개..

scikit-learn을 이용한 선형회귀와 로지스틱 회귀 In [4]: import numpy as np import matplotlib.pyplot as plt import pandas as pd from matplotlib.colors import ListedColormap cm2 = ListedColormap(['C1', 'C2']) cm2_inv = ListedColormap(['C2', 'C1']) 데이터 로드 In [5]: D = np.load('basic_clfreg.npz') In [6]: X_clf = D['X_clf'] y_clf = D['y_clf'] X_reg = D['X_reg'] y_reg = D['y_reg'] In [7]: D['X_clf'] Out[7]: array([[ 9..

Scikit-Learn https://scikit-learn.org/stable/ In [ ]: import matplotlib.pyplot as plt import numpy as np import pandas as pd 특징 가장 유명한 머신러닝 알고리즘 다양한 머신러닝 알고리즘을 효율적으로 구현하여 제공 서로 다른 알고리즘에 동일한 인터페이스 제공 numpy, padas등 다른 라이브러리와 높은 호환성 알고리즘은 Classifier와 Regressor로 구성됨 입력 특징 행렬 알고리즘의 입력으로 주로 변수명을 X_train, X_test로 코딩하고 항상 (N,D)가 되는 행렬 대상 배열 지도 학습에서 알고리즘의 예측 대상으로 주로 y_train, y_test로 코딩하고 항상 (N,)인 벡터 In [..

In [2]: import numpy as np import matplotlib.pyplot as plt import pandas as pd # numpy 출력 형식 지정 np.set_printoptions(precision=3, linewidth=150) # 생략 가능 Numpy ndarray 기본생성 In [6]: # 기본생성 a = np.array( [ [[1,2], [3,4]], [[5,6], [7,8]] ] ) print(a, ',',a.shape) [[[1 2] [3 4]] [[5 6] [7 8]]] , (2, 2, 2) In [8]: # 랜덤으로 생성 np.random.seed(66) B = np.random.rand(10) print(B) print() C = np.random.randin..

모듈 In [3]: # Fibonacci numbers module def fib(n): # write Fibonacci series up to n a, b = 0, 1 while a < n: print(a, end=' ') a, b = b, a+b def fib2(n): # return Fibonacci series up to n result = [] a, b = 0, 1 while a < n: result.append(a) a, b = b, a+b return result if __name__ == '__main__': print(fib2(10)) # 이 파일을 현재 폴더에 fibo.py로 저장하고 # import fibo # from fibo import fib, fib2 # https://docs..