데이터사이언스 기록기📚

📌 Ch6. 비지도 학습 🖊️ Ch.6-1) 군집 알고리즘 ✔️비지도 학습과 군집 - 비지도학습 : 타깃이 없을 때 사용하는 머신러닝 알고리즘 - 군집 : 비슷한 샘플끼리 그룹으로 모으는 작업 클러스터 : 군집 알고리즘에서 만든 그룹 ✔️과일분류 실습(비지도 학습) 1) 과일 사진 데이터 준비하기 흑백 이미지는 바탕 밝음, 물체 어둡지만 반대인 이유 사진으로 찍은 이미지 → 넘파이 변환 시, 색 반전 컴퓨터가 255에 밝은 바탕에 집중(출력을 위한 곱셈, 덧셈을 위해)할 것이라서 반전시킴 더보기 ! : 리눅스 셀 명령어 wget : 원격 주소에서 데이터 다운로드하여 저장 -O : 저장할 파일 이름 지정 subplots(행, 열) : 여러 개의 그래프를 배열처럼 쌓아서 나타내기 axs : 서브그래프를 담고..

📌 Ch5. 트리 알고리즘 🖊️ Ch.5-1) 결정 트리 더보기 ✔️(복습) 로지스틱 회귀로 와인 분류 실습 1) 데이터 불러오기 및 정보 확인 info() : 각 열의 데이터 타입, 누락된 데이터 확인 describe() : 열에 대한 통계. 개수,평균, 최소, 최대, 4분위수, 표준편차 제공 2) 데이터 나누기 3) 데이터 전처리 4) 로지스틱 회귀로 학습 ✔️결정 트리 - 결정 트리 : 데이터를 잘 나눌 수 있는 질문을 추가해서 분류 정확도를 높이는 모델 노드 : 훈련 데이터의 특성을 나누는 질문 루트노드 : 가장 상위 노드(루트노드는 1개) 리프노드 : 가장 하위 노드(리프노드는 다수 존재) 결정트리 예측 : 리프노드에서 가장 많은 클래스 → 예측 클래스 트리 알고리즘 장점 : 특성값의 스케일이 ..

📌 Ch4. 다양한 분류 알고리즘 🖊️ Ch.4-1) 로지스틱 회귀 ✔️럭키백의 확률 실습 1) 데이터 불러오기 및 train, test 나누 unique() : 열에서 고유한 값 추출하기 2) 데이터 전처리 표준화 전처리하기 3) K-최근접 이웃 분류기의 확률 예측 다중분류 클래스 속성 저장 및 확인 predict_proba() : 클래스별 확률값 반환(출력순서는 classes_속성 순서와 동일) ✔️로지스틱 회귀 - 로지스틱 회귀 : 선형 방정식을 학습하는 분류 모델 시그모이드 함수를 이용하여 0~1까지의 값을 확률로 표현할 수 있다. 이진 분류의 경우) 시그모이드 출력 0.5 보다 작은 경우 → 0, 이외의 경우 → 1 ✔️로지스틱 회귀 이중 분류 실습 1) 데이터 전처리 및 학습 2) 예측 및 예..

📌 Ch3. 회귀 알고리즘과 모델 규제 🖊️ Ch.3-1) k-최근접 이웃 회귀 ✔️k-최근접 이웃 회귀 - 분류와 회귀 분류 : 여러개의 클래스 중, 하나로 분류하는 문제 회귀 : 다양한 샘플 중, 숫자로 예측하는 문제 - k-최근접 이웃 k-최근접 이웃 분류 : 예측하려는 샘플 중, 가장 가까운 k개 선택 → 가장 많은 클래스를 예측 샘플의 클래스로 지정 k-최근접 이웃 회귀 : 예측하려는 샘플 중, 가장 가까운 k개 선택 → k개의 평균울 예측 샘플의 값으로 지정 ✔️실습 - 농어 무게 예측하기 1) 데이터 생성 및 형태 확인 농어는 길이가 길면, 무게가 무거움 2) Train, Test 나누기 - Train set을 2차원으로 바꾸기(2차원 배열이어야 훈련시킬 수 있음 reshape() : 바꾸려..