코딩헤딩

- 데이터의 분포가 선형이면서 곡선을 띄는 경우에 사용됨 - 곡선(포물선)의 방정식이 적용되어 있음 - y = (a * x^2) + (b * x) + c - 독립변수는 2개가 사용됨 : x와 x^2 값 * 훈련 및 테스트데이터의 독립변수에 x^2 값 추가하기 # - 훈련독립변수 train_poly = np.column_stack((train_input**2, train_input)) # - 테스트 독립변수 test_poly = np.column_stack((test_input**2, test_input)) train_poly.shape, test_poly.shape 결과 : ((42, 2), (14, 2)) * 모델 생성하기 # - 선형, 다항, 다중회귀모델은 하나의 모델(클래스) 사용 lr = Line..

- 선형회귀모델(직선) - 다항회귀모델(곡선) - 다중회귀모델(직선 여러 개) - 릿지 - 라쏘 ==> 회귀모델만 - 랜덤포레스트 - 그레디언트부스트 - 히스토그램그리디언트부스트 - XGBoost(별도 라이브러리), 기타 등등... ==> 회귀 분류 동시에 사용가능 - 주로 많이 사용되는 회귀모델 : 릿지, 히스토그램그레디언트부스트, XGBoost * 모델 라이브러리 불러들이기 from sklearn.linear_model import LinearRegression * 모델생성하기 lr = LinearRegression() lr * 모델 훈련시키기 lr.fit(train_input, train_target) * 훈련 정확도 및 테스트(검증) 정확도 train_r2 = lr.score(train_input..

하이퍼파라미터 튜닝을 하는 이유? => 과소적합을 해결하기 위해서 1. 하이퍼파라미터 튜닝하기 KNN모델의 이웃(하이퍼파라미터)의 개수를 조절해보기 - 5개 knr.n_neighbor = 5 ### 하이퍼파리미터 값 수정 후 재훈련 시켜서 검증해야 한다. knr.fit(train_input, train_target) ### 훈련 정확도 확인 train_r2 = knr.score(train_input, train_target) ### 테스트(검증) 저확도 확인 test_r2 = knr.score(test_input, test_target) print(f"훈련 : {train_r2} / 검증 : {test_r2}") 결과 : 훈련 : 0.9698823289099254 / 검증 : 0.9928094061010..

https://coding-heading.tistory.com/86 [ML(머신러닝)] KNN 회귀모델 -1 * 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 coding-heading.tistory.com 위 글에서 데이터를 가지고 모델생성 후 테스트 데이터로 예측해 보고 해석까지 해보았다. 그 결과 모델의 튜닝이 필요했다. * 튜닝 전 데이터 수치 : 훈련 : 0.9698823289099254 / 테스트 : 0.992809406101064 1. 모델 평..

* 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 *..