하카데미

1. k-최근접 이웃 회귀 분류 샘플을 몇개의 클래스 중 하나로 분류하는 문제 예시) 이것은 도미인가, 빙어인가? 회귀 임의의 어떤 숫자를 예측하는 문제 예시) 내년도 경제 성장률은? k-최근접 이웃 회귀 예측하려는 샘플에 가장 가까운 샘플 k개를 선택. 이웃 샘플들의 평균을 구해 새로운 샘플의 타깃값을 예측. 2. 데이터 준비 농어의 길이와 무게 http://bit.ly/perch_data 농어 데이터 산점도 import matplotlib.pyplot as plt plt.scatter(perch_length, perch_weight) plt.xlabel(‘length’) plt.ylabel(‘weight’) plt.show() 농어의 길이가 커짐에 따라 무게도 늘어남. 훈련 세트와 테스트 세트 나누기..

1. 넘파이로 데이터 준비하기 이전 과정에선 파이썬 리스트를 순회하며 원소를 하나씩 꺼내 데이터를 생성. 하나의 길이와 무게를 리스트 안의 리스트로 직접 구성했음. 이젠 넘파이를 통해 훨씬 간편하게 생성 가능. np.column_stack() 전달받은 리스트를 일렬로 세운 다음 차례대로 나란히 연결. 파이썬 튜플(tuple) 튜플은 리스트와 비슷. 한 번 생성된 튜플은 수정 불가. fish_data = np.column_stack((fish_length, fish_weight)) print(fish_data[:5]) ''' # 출력 결과 [[ 25.4 242. ] [ 26.3 290. ] [ 26.5 340. ] [ 29. 363. ] [ 29. 430. ]] ''' 넘파이 배열을 출력하면 행과 열을 맞..

특성 (Feature) 생선 데이터의 길이와 무게 chap 01-3에서 생선 맞추기에 사용한 k-최근접 이웃 알고리즘은 지도 학습 알고리즘! 테스트 세트 (Test set) 평가에 사용하는 데이터 훈련 세트 (Train set) 훈련에 사용되는 데이터 모델을 평가하려면, 훈련할 때 사용하지 않은 데이터로 평가 해야함. 생선 데이터 49개에서 14개를 테스트 세트로 하기 (훈련 데이터의 10~20%를 테스트 세트로 한다. 단 전체 데이터가 아주 많을 땐, 1%도 괜춘) 이때, 훈련 데이터와 테스트 데이터에는 클래스가 골고루 섞여 있어야 한다. 샘플링 편향(Sampling bias) 조심! import numpy as np input_arr = np.array(fish_data) # 리스트를 배열로 만들어줌..

1. 생선 분류 문제 생선 이름을 자동으로 알려주는 머신러닝 개발하자! 머신러닝: 아무도 기준을 알려주지 않으므로, 스스로 기준을 찾아서 일을 한다. 예) 30~40cm 길이의 생선은 도미다. 머신러닝을 사용해 도미와 빙어 구분하기. 클래스: 도미, 빙어 특성(feature): 길이, 무게 데이터 규모: 도미 35마리, 빙어 14마리 생선 데이터셋의 출처: https://www.kaggle.com/aungpyaeap/fish-market 예제 도미 데이터: http://bit.ly/bream_list 예제 빙어 데이터: http://bit.ly/smelt_list 데이터 산점도 import matplotlib.pyplot as plt plt.scatter(bream_length, bream_weight)..