코딩헤딩

* KNN회귀모델 - K Nearest Neighbor 1. 데이터 확인 1) 길이로 무게 예측하기 perch_length.shape, perch_weight.shape 결과 : ((56,), (56,)) - 길이 : 문제(독립변수) / 무게(연속형) : 답(종속변수) 2) 산점도 그리기 import matplotlib.pyplot as plt plt.scatter(perch_length, perch_weight) plt.xlabel("length") plt.ylabel("weight") plt.show() - 초반에는 곡선을 띄는 듯하다가, 중반부부터는 직선의 형태를 나타내고 있음. - 종속변수가 연속형 데이터이기에, 선형 분포를 나타내기에 회 귀모델을 사용함. 3) 훈련 및 테스트 데이터 분류하기 *..

https://coding-heading.tistory.com/84 [ML(머신러닝)] 머신러닝 기초 3-2 https://coding-heading.tistory.com/83 [ML(머신러닝)] 머신러닝 기초 3-1 - 정의된 변수 이름은 없음 - 훈련데이터 : 훈련(fit)에 사용되는 데이터 : (훈련 독립변수) train_input, train-x, X_train : (훈련 종속변수) tra coding-heading.tistory.com 위 글과 이어집니다. 1. 데이터 수집 2. 독립변수 2차원과 종속변수 1차원 데이터로 취합 3. 훈련, 검증, 테스트 데이터로 섞으면서 분리 -----------3번 후 정규화 진---------- 4. 훈련, 검증, 테스트 데이터 중에 독립변수에 대해서만 정규..

https://coding-heading.tistory.com/83 [ML(머신러닝)] 머신러닝 기초 3-1 - 정의된 변수 이름은 없음 - 훈련데이터 : 훈련(fit)에 사용되는 데이터 : (훈련 독립변수) train_input, train-x, X_train : (훈련 종속변수) train_target, train_y, Y_ train - 검증데이터 : 훈련 정확도(score)에 사 coding-heading.tistory.com 위 글과 이어집니다. * 머신러닝, 딥러닝에서 사용하는 테이터 분류기 함수 from sklearn.model_selection import train_test_split - 랜덤 하게 섞으면서 두 개(훈련 : 테스트)의 데이터로 분류함 train_input, test_inp..

- 정의된 변수 이름은 없음 - 훈련데이터 : 훈련(fit)에 사용되는 데이터 : (훈련 독립변수) train_input, train-x, X_train : (훈련 종속변수) train_target, train_y, Y_ train - 검증데이터 : 훈련 정확도(score)에 사용되는 데이터 : (검증 독립변수) val_input, val-x, X_val : (검증 종속변수) val_target, val_y, Y_ val - 테스트데이터 : 예측(predict)에 사용되는 데이터 : (테스트 독립변수) test_input, test-x, X_test : (테스트 종속변수) test_target, test_y, Y_ test 앞으로 변수의 이름은 위와 같이 통일한다. 1. 훈련과 테스트를 비율로 먼저 나누..

https://coding-heading.tistory.com/81 [ML(머신러닝)] 생선구분하기 - 1 * 훈련 모델 처리 절차 1. 데이터 전처리 2. 데이터 정규화 3. 훈련 : 검증 : 테스트 데이터로 분류 (또는 훈련 : 테스트 데이터로 분류) - 6 : 2 : 2 또는 7 : 2 : 1, 데이터가 작은 경우에는 8 : 2 또는 7 : 3 coding-heading.tistory.com * 위 글과 이어집니다. - 모델(클래스)의 속성 중에 사람이 직접 값을 지정해줘야 하는 변수들을 통칭 - 모델 성능을 향상하기 위한 방법 - 과대적합(1) 또는 과소적합이 일어난 경우 튜닝 진행 * KNN 모델 생성하기 # n_neighbors : 이웃의 갯수 (하이퍼파라메터 속성) kn20 = KNeighb..

* 훈련 모델 처리 절차 1. 데이터 전처리 2. 데이터 정규화 3. 훈련 : 검증 : 테스트 데이터로 분류 (또는 훈련 : 테스트 데이터로 분류) - 6 : 2 : 2 또는 7 : 2 : 1, 데이터가 작은 경우에는 8 : 2 또는 7 : 3 정도로 분류 4. 모델 생성 5. 모델 훈련 [*fit(함수)] (훈련 데이터와 검증 데이터 사용, 또는 테스트 데이터) 6. 모델 평가 (모델 선정, 검증데이터) 7. 하이퍼파라미터 튜닝 8. 5~6번 진행 9. 최종테스트 [*predict, 예측] (테스트 데이터 사용) * 생선구분하기 방어와 도미 데이터 데이터 처리 방어와 도미 데이터 - 생선의 종류를 분류(구분)하기 위한 모델 생성을 위해 독립변수와 종속변수로 데이터를 가공해야 함 - 독립변수(x) : 길..

1. 용어정리 머신러닝(machine learning) : 기계가 패턴을 학습하여 자동화하는 알고리즘 알고리즘(algorithms) : 어떠한 문제를 해결하기 위한 일련의 절차나 방법 Clustering : 군집 2. 머신러닝? 딥러닝? 머신러닝(machine learning) : 데이터를 컴퓨터에 학습시켜 그 패턴과 규칙을 컴퓨터가 스스로 학습하도록 만 드는 기술 딥러닝(deep learning) : 머신러닝 기법 중 신경망(neural network)을 기반으로 사물이나 데이터를 군집화하거나 분류하는 데 사용하는 기술 3. 머신러닝 학습의 종류 지도학습(supervised learning) : 문제와 답을 함께 학습 비지도학습(unsupervised learning) : 조력자의 도움 없 이 컴퓨터 ..