minimalism

VSCODE 초기화 및 재설치하기 1. 기존 세팅 저장 혹시 모를 상황을 대비해 기존 설치된 extension 목록과 'setting.json' 값(게시물 상단)을 캡쳐해두었다. 2. 플러그인 삭제 c:\user\사용자이름\.vscode 폴더를 삭제해 주면 된다. 3. 개인설정 파일 삭제 c:\user\사용자이름\AppData\Roaming\Code 마찬가지로 폴더를 삭제해주면 되는데 이때, AppData 폴더가 보이지 않으면 '숨김'설정이 되어있을 가능성이 높다. 4. 제어판에서 VSCODE uninstall 5. VSCODE 재설치 VSCODE 설치 위 링크를 눌러 다운 받으면 된다. 출처 : https://bit.ly/3Cjsf6J

다항 회귀 (Polynomial Regression) y=w0+w1x+w2x2+⋯+wdxdy=w0+w1x+w2x2+⋯+wdxd 독립변수의 차수를 높이는 형태 다차원의 회귀식인 다항 회귀 분석으로 단순 선형 모델의 한계를 어느정도 극복할 수 있음. 함수가 비선형, 데이터가 곡선 형태일 경우 예측에 유리 데이터에 각 특성의 제곱을 추가해주어서 특성이 추가된 비선형 데이터를 선형 회귀 모델로 훈련시키는 방법 보통 2차함수는 중간에 하강하므로 3차(cubic) 함수부터 아니면 단조증가하는 제곱근이나 로그 함수를 많이 쓴다. 다항 회귀도 결국 xd=Xdxd=Xd로 뒀을 때 다중 회귀식의 일종이라고 볼 수 있다. %matplotlib inline import numpy as np import pandas as pd..

라이브러리 호출 import numpy as np import pandas as pd from sklearn.preprocessing import LabelEncoder from sklearn.preprocessing import MinMaxScaler, StandardScaler 데이터 불러오기 train_set = pd.read_csv('/content/train.csv',index_col=0) test_set = pd.read_csv('/content/test.csv',index_col=0) train_set.head() 데이터를 불러온 후, 잘 불러와졌는지 확인해보았다. 데이터 정보 확인 train_set.info() 이후 어떤 데이터를 전처리 해야하는지 알아보기 위해 .info()를 이용해서 데..

Boosting 이란? 여러 개의 약한 의사결정나무(Decision Tree)를 조합해서 사용하는 앙상블(Ensemble) 기법 중 하나 즉, 약한 예측 모형들의 학습 에러에 가중치를 두고, 순차적으로 다음 학습 모델에 반영하여 강한 예측모형을 만든다. XGBoost 란? XGBoost는 Extreme Gradient Boosting의 약자이다. Boosting 기법을 이용하여 구현한 알고리즘은 Gradient Boost 가 대표적 이 알고리즘을 병렬 학습이 지원되도록 구현한 라이브러리가 XGBoost 이다. Regression, Classification 문제를 모두 지원하며, 성능과 자원 효율이 좋아서, 인기 있게 사용되는 알고리즘 이다. XGBoost의 장점 [1] GBM 대비 빠른 수행시간 병렬 ..

import numpy as np aaa = np.array([1,2,-10,4,5,6,7,8,50,10]) def outliers(data_out): quartile_1, q2, quartile_3 = np.percentile(data_out, [25,50,75]) # 하위 25% 위치 값 Q1 # 하위 50% 위치 값 Q2 (중앙값) # 하위 75% 위치 값 Q3 print("1사분위 : ", quartile_1) print("q2 : ", q2) print("3사분위 : ", quartile_3) iqr = quartile_3 -quartile_1 print("iqr : ", iqr) # 왜 빼는지 명시 lower_bound = quartile_1 - (iqr * 1.5) upper_bound = ..

import numpy as np from sklearn.datasets import load_diabetes from sklearn.model_selection import train_test_split datasets =load_diabetes() x = datasets.data y = datasets.target x_train, x_test, y_train,y_test = train_test_split(x,y, train_size=0.8,shuffle=True, random_state=123) from xgboost import XGBRegressor model = XGBRegressor() model.fit(x_train, y_train) print(model, ':', model.feature_..

결측치란? 대부분의 머신러닝 알고리즘은 Missing feature, 즉 누락된 데이터가 있을 때, 제대로 역할을 하지 못합니다. 그래서 먼저 Missing feature에 대해 처리해주어야 합니다. Missing feature, NA(Not Available) : '결측치'라고 하며 값이 표기되지 않은 값 결측치의 종류 Random : 패턴이 없는 무작위 값 No Random : 패턴을 가진 결측치 결측치 처리 전략 제거 (Deletion) 대치 (Imputation) 예측 모델 (Prediction model) 결측치 확인 결측치 여부 확인 df["col"].isnull() 결측치 개수 확인 df["col"].isnull().value_counts() 제거 (Deletion) 결측치의 특성이 '무작위..

import numpy as np import pandas as pd from sklearn.datasets import load_iris datasets = load_iris() print(datasets.feature_names) #['sepal length (cm)', 'sepal width (cm)', 'petal length (cm)', 'petal width (cm)'] x = datasets['data'] y = datasets['target'] df = pd.DataFrame(x, columns=[['sepal length', 'sepal width', 'petal length', 'petal width']]) # 컬럼명을 사용하기 위해 넘파이 => 판다스 형태로 바꿔줌 # 컬럼명은 히트맵..

startswith()를 이용하여 문자열이 특정 문자열로 시작하는지 확인할 수 있다. 1. startswith()로 문자열이 특정 문자열로 시작하는지 확인 2. startswith()와 split()으로 단어가 특정 문자열로 시작하는지 확인 1. startswith()로 문자열이 특정 문자열로 시작하는지 확인 예를 들어 다음과 같이 'Hello world, Python!'가 Hello로 시작하는지 확인할 수 있다. str = 'Hello world, Python!' if str.startswith('Hello'): print('It starts with Hello') if not str.startswith('Python'): print('It does not start with Python') Outpu..

.values 또는 .to_numpy() 를 사용해 DataFrame을 numpy 배열 형식으로 변환할 수 있다. 예제 코드 import pandas as pd # DataFrame 생성 data = [['Choi',22],['Kim',48],['Joo',32]] df = pd.DataFrame(data, columns=['Name','Age']) # .values 또는 .to_numpy() 를 사용해 numpy 배열로 변환 print(df.values) print(df.to_numpy()) #[['Choi' 22] # ['Kim' 48] # ['Joo' 32]] https://wooono.tistory.com/175