여러 일상들

먼저, xgboost 설치 후 각 parameter들은 default 값으로 진행 해봅니다. R2 : 0.8045 RMSE : 4.01 GridSearchCV로 성능 향상 시킵니다. Grid Search 이전 이후 R2, RMSE 비교. R2 : 0.8407 RMSE : 3.62

CART (Classification And Regression Tree) - 예측 분류 모두 가능한 지도학습 모델 Classification Decision Tree 를 이용한 Classification Data 시각화 Code 시각화 실행 결과 Regression Decision Tree 를 이용한 Regression

범주형 Classification - Logistic Regression - Data : Scikit-learn 내부데이터 ( Breast_cancer ) 해석 TP - True Positive(실제값 1, 예측값 1로 정분류 된 갯수) FN - False Negative(실제값 1, 예측값 0으로 오분류 된 갯수) FP - Flase Positive(실제값 0, 예측값 1로 오분류 된 갯수) TN - True Negative(실제값 0, 예측값 0으로 정분류 된 갯수) 정확도(Accuracy) - 전체 샘플 중 모델이 바르게 분류한 비율 정밀도(Precision) - 모델이 positive로 분류한 것 중 실제값이 positive이 비율 재현율(Recall) - 실제값이 positive인 것 중 모델이..

변수가 부족하여 underfitting이 일어날 때 사용합니다. 아래 참고) ↓ ↓ ↓ ↓ 변수 증가는 Combination으로 계산하면 됩니다. PolynomialFeatures - degree : 차수 설정 - include_bias : 상수항 제거

변수의 수가 많아 과적합으로 인해 모델의 예측력이 떨어질 경우 비용함수에 패널티를 추가 Lasso ) 회귀 계수의 크기를 0 으로 만듬 Ridge ) 회귀 계수의 크기를 감소 시킴 아래는, 변수 case 에서 실험 진행하였습니다. (underfitting 해결 위해 다항회귀는 아래 참고해 주세요) python 다항회귀 > underfitting (언더피팅) 시 사용 변수가 부족하여 underfitting이 일어날 때 사용합니다. 아래 참고) ↓ ↓ ↓ ↓ 변수 증가는 Combination으로 계산하면 됩니다. PolynomialFeatures - degree : 차수 설정 - include_bias : 상수항 제거 jink0318.tistory.com Data 비교 - Lasso & Ri..

Scikit-learn 에서 아래 Library 호출 해줍니다. 위부터 차례로 R-Squared (결정 계수) Score : 모델 예측력 정도로 보면 될 듯합니다. (0~1사이의 값) MSE : 평균 제곱 오차 RMSE : 평균 제곱근 오차 (Root MSE)

y = β * X + ε

지도 학습용 당뇨병 환자 Data 비지도 학습용 붓꽃 Data

scikit-learn 미설치 상태면 설치가 필요합니다 train_test_split 사용 시 - X, y 인자는 필수 - test_size : test data size 지정. (Default : 0.25) - random_state : 지정 시 동일 random 주소에서 시작 → 다른 환경해서 해도 동일한 값 추출 - stratify : y class가 label 일 때, 사용. y 선택 시, train 과 test Data의 y 값 비를 동일하게 가져감

pandas 설치 후 pandas 이용하여 csv file read.