jaeserrr.log

우선 데이터 준비 후 훈련까지.. (03-1 내용 참고) [인공지능/혼공머신] 03-1. k-최근접 이웃 회귀 지도 학습 알고리즘은 분류와 회귀로 나뉩니다. 이 글은 회귀에 대해 작성했습니다. 회귀 임의의 숫자를 예측 임의의 숫자 = 타깃값 k-최근접 이웃 회귀 모델 가까운 k개의 이웃 찾기 이웃 샘플의 avoc-o-d.tistory.com # http://bit.ly/perch_data # 우선, 훈련, 테스트 세트로 나누고 # 특성 데이터를 2차원 배열로 변환 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...

지도 학습 알고리즘은 분류와 회귀로 나뉩니다. 이 글은 회귀에 대해 작성했습니다. 회귀 임의의 숫자를 예측 임의의 숫자 = 타깃값 k-최근접 이웃 회귀 모델 가까운 k개의 이웃 찾기 이웃 샘플의 타깃값을 평균 -> 예측 타깃값 데이터 준비하기 농어의 길이만 있어도 무게를 잘 예측할 수 있을 것으로 생각합니다. 따라서, 해당 예제는 길이를 특성으로 무게를 타깃으로 합니다. * 타깃은 임의의 숫자이기 때문에 축을 하나 더 사용하여 표현해야 합니다. 그런데, 2차원으로 표현하는 게 더욱 잘 와닿기 떄문에 회귀는 특성 1개만 사용하는 것이 편하다고 합니다. (물론, 회귀도 특성 1개 이상 사용 가능!) # http://bit.ly/perch_data # 농어 import numpy as np perch_leng..

- 올바른 결과 도출을 위해서 데이터를 사용하기 전, 데이터 전처리 과정을 거칩니다. - 표준점수로 특성의 스케일을 변환하는 방법도 배웁니다. 데이터 준비하기 입력, 타깃 데이터를 준비해봅시다. # http://bit.ly/bream_smelt # 49개의 데이터 # 35마리 도미, 14마리 빙어 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, 1..

지도 학습과 비지도 학습 머신러닝 알고리즘은 지도 학습과 비지도 학습으로 나눌 수 있음 지도 학습 - 지도 학습 알고리즘은 입력과 타깃으로 이뤄진 훈련 데이터가 필요함 입력 : 데이터 타깃 : 정답 훈련 데이터 : 입력 + 타깃 - 정답이(타깃)이 있으니 알고리즘이 정답을 맞히는 것을 학습함 비지도 학습 - 정답(타깃) 없이 입력데이터만 사용하여 학습함 (데이터를 파악 & 변형하는 데 도움) 훈련 세트와 테스트 세트 - 훈련 세트 : 모델을 훈련시키는 데이터 - 테스트 세트 : 모델을 평가하기 위한 데이터 📌 훈련에 사용한 데이터로 모델을 평가하는 것은 적절하지 않음. 즉, 훈련할 때 사용하지 않은 데이터로 평가해야 함. 🤔 왜 ? 타깃을 주고 훈련한 다음, 같은 데이터로 테스트한다면 모두 맞히는 것이 ..

특성, 훈련, k-최근접 이웃 알고리즘, 모델, 정확도 준비 35마리의 도미 데이터 🐟 첫 번째 특성 : 길이(cm) 두 번째 특성 : 무게(g) # http://bit.ly/bream_list 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..

https://colab.research.google.com/?hl=ko Google Colaboratory colab.research.google.com 구글 코랩(Colab)은 클라우드 기반의 무료 Jupyter 노트북 개발 환경이다. 00. 새노트 파일 > 새 노트 01. 선택한 셀 실행 코드 작성 후, Ctrl + Enter 02. 자동 완성 Ctrl + 스페이스바 03. 코드셀에 줄 번호 표시 Ctrl + M + L (대소문자 상관x) 03. 세션 관리 런타임 > 세션 관리 04. 같은 코드 활성화 Ctrl + d 05. 코드 셀 실행 후, 바로 생성 Alt + Enter