NAN/머신 러닝
-
선형 회귀 예제- LinearRegressionNAN/머신 러닝 2021. 7. 14. 20:56
선형 회귀 LinearRegression import numpy as np # 데이터 준비 perch_length = np.array([8.4, 13.7, 15.0, 16.2, 17.4, 18.0, 18.7, 19.0, 19.6, 20.0, 21.0, 21.0, 21.0, 21.3, 22.0, 22.0, 22.0, 22.0, 22.0, 22.5, 22.5, 22.7, 23.0, 23.5, 24.0, 24.0, 24.6, 25.0, 25.6, 26.5, 27.3, 27.5, 27.5, 27.5, 28.0, 28.7, 30.0, 32.8, 34.5, 35.0, 36.5, 36.0, 37.0, 37.0, 39.0, 39.0, 39.0, 40.0, 40.0, 40.0, 40.0, 42.0, 43.0, 43.0,..
-
K-최근접 이웃 회귀 예제NAN/머신 러닝 2021. 7. 13. 20:49
회귀 regression # 데이터 준비 import numpy as np perch_length = np.array([8.4, 13.7, 15.0, 16.2, 17.4, 18.0, 18.7, 19.0, 19.6, 20.0, 21.0, 21.0, 21.0, 21.3, 22.0, 22.0, 22.0, 22.0, 22.0, 22.5, 22.5, 22.7, 23.0, 23.5, 24.0, 24.0, 24.6, 25.0, 25.6, 26.5, 27.3, 27.5, 27.5, 27.5, 28.0, 28.7, 30.0, 32.8, 34.5, 35.0, 36.5, 36.0, 37.0, 37.0, 39.0, 39.0, 39.0, 40.0, 40.0, 40.0, 40.0, 42.0, 43.0, 43.0, 43.5, 44..
-
KNN 간단 예제_3NAN/머신 러닝 2021. 7. 13. 08:57
데이터 전처리 # 데이터 준비 fish_length = [25.4, 26.3, 26.5, 29.0, 29.0, 29.7, 29.7, 30.0, 30.0, 30.7, 31.0, 31.0, 31.5, 32.0, 32.0, 32.0, 33.0, 33.0, 33.5, 33.5, 34.0, 34.0, 34.5, 35.0, 35.0, 35.0, 35.0, 36.0, 36.0, 37.0, 38.5, 38.5, 39.5, 41.0, 41.0, 9.8, 10.5, 10.6, 11.0, 11.2, 11.3, 11.8, 11.8, 12.0, 12.2, 12.4, 13.0, 14.3, 15.0] fish_weight = [242.0, 290.0, 340.0, 363.0, 430.0, 450.0, 500.0, 390.0, 45..
-
KNN 간단 예제_2NAN/머신 러닝 2021. 7. 11. 18:10
올바른 훈련 데이터 사용법 # 데이터 준비 fish_length = [25.4, 26.3, 26.5, 29.0, 29.0, 29.7, 29.7, 30.0, 30.0, 30.7, 31.0, 31.0, 31.5, 32.0, 32.0, 32.0, 33.0, 33.0, 33.5, 33.5, 34.0, 34.0, 34.5, 35.0, 35.0, 35.0, 35.0, 36.0, 36.0, 37.0, 38.5, 38.5, 39.5, 41.0, 41.0, 9.8, 10.5, 10.6, 11.0, 11.2, 11.3, 11.8, 11.8, 12.0, 12.2, 12.4, 13.0, 14.3, 15.0] fish_weight = [242.0, 290.0, 340.0, 363.0, 430.0, 450.0, 500.0, 39..
-
KNN 간단 예제_1NAN/머신 러닝 2021. 7. 9. 18:15
# 데이터 시각 화를 위해 matplotlib 로드 import matplotlib.pyplot as plt # 데이터 준비 bream_length = [25.4, 26.3, 26.5, 29.0, 29.0, 29.7, 29.7, 30.0, 30.0, 30.7, 31.0, 31.0, 31.5, 32.0, 32.0, 32.0, 33.0, 33.0, 33.5, 33.5, 34.0, 34.0, 34.5, 35.0, 35.0, 35.0, 35.0, 36.0, 36.0, 37.0, 38.5, 38.5, 39.5, 41.0, 41.0] bream_weight = [242.0, 290.0, 340.0, 363.0, 430.0, 450.0, 500.0, 390.0, 450.0, 500.0, 475.0, 500.0, 50..
-
K 평균(K Means) 실습NAN/머신 러닝 2021. 7. 8. 23:37
K Means / ++ 실습 파이썬 빅 데이터 분석에 가장 많이 활용되는 라이브러리는 Pandas, Numpy, Matplotlib이다. Numpy : 연산 처리를 용이하게 하기 위해 사용 Pandas : 데이터 포인트를 만들기 위해 사용 Matplotlib : 데이터 시각화에 사용 / seaborn도 함께 사용된다. 실습 from sklearn.cluster import KMeans #sklearn에 포함되어 있는 KMeans 불러오기 # 데이터 마이닝에 필요한 라이브러리 불러오기 import numpy as np import pandas as pd import seaborn as sb import matplotlib.pyplot as plt %matplotlib inline # 실습을 위해 준비한 데..
-
데이터 실습NAN/머신 러닝 2021. 7. 8. 22:46
실습 텐서 플로우를 활용하여 아래 데이터를 모델로 하루 노동 시간이 8시간일 때 일 매출량을 예측해보자 import tensorflow.compat.v1 as tf tf.disable_v2_behavior() # 신버전 사용시 에러코드 발생 하기 때문에 설정해준다. xData = [1,2,3,4,5,6,7] yData = [25000, 55000, 75000, 110000, 128000, 155000, 180000] #W는 Weight(가중치), b는 bias y절편 #random_unifrom은 랜덤한 값으로 -x ~~ x까지의 수가 들어가는 함수 W = tf.Variable(tf.random_uniform([1], -100, 100)) b = tf.Variable(tf.random_uniform([1..
-
세션 SessionNAN/머신 러닝 2021. 7. 8. 22:46
세션 Session 텐서플로우에서 데이터의 처리 단위는 텐서(Tensor)이고, 이것은 일종의 다차원 배열 객체라고 할 수 있다. import tensorflow.compat.v1 as tf tf.disable_v2_behavior() a = tf.constant(17.5) b = tf.constant(5.0) c = tf.add(a,b) print(c) Tensor("Add_9:0", shape=(), dtype=float32) 예시를 보자 일반적인 파이썬 문법 구조였다면 아무 문제 없이 실행되어 22.5 라는 값이 출력되었겠지만 텐서플로우에서는 c라는 객체가 가진 속성을 보여준다. 이런 차이가 생기는 이유는 텐서플로우 이름 그 자체로 배열의 흐름의 문제이다. import tensorflow.compa..