코드를 통해서 알아본다 . from sklearn.datasets import load_breast_cancer from sklearn.model_selection import train_test_split from sklearn.neighbors import KNeighborsClassifier import sklearn.datasets import scipy as sp import numpy as np import matplotlib.pyplot as plt import pandas as pd import mglearn cancer = load_breast_cancer() X_train, X_test, y_train, y_test = train_test_split(cancer.data, cancer...

forge() 사용해보기 . import numpy as np import scipy as sp import matplotlib.pyplot as plt import pandas as pd import mglearn # 데이터셋 만들기 # 인위적으로 만든 이진 분류 데이터셋 X, y = mglearn.datasets.make_forge() # 산점도 그리기 mglearn.discrete_scatter(X[:, 0], X[:, 1], y) plt.legend(["Class 0", "Class 1"], loc=4) plt.xlabel("First characteristic") # 첫 번째 특성 plt.ylabel("Second characteristic") # 두 번째 특성 print("X.shape: {}..

분류 ( classification ) 와 회귀 ( regression ) 1. 분류는 가능성 있는 클래스 레이블 중 하나를 예측 è 이진 분류 ( binary classification ) : 두 개의 클래스 분류 è 다중 분류 ( multiclass classification ) : 셋 이상의 클래스 분류 ( 붓꽃 품종 ) è 언어의 종류를 분류 ( 한국어와 프랑스어 사이에 다른 언어가 없다 ) 2. 회귀는 연속적인 숫자(실수)를 예측 è 교육, 나이, 주거지를 바탕으로 연간 소득 예측è 전년도 수확량, 날씨, 고용자수로 올해 수확량 예측è 예측 값에 미묘한 차이가 크게 중요하지 않음 3. 일반화, 과대적합, 과소적합 è 일반화 ( generalization ) : 훈련 세트로 학습한 모델을 테스트 ..

Iris Dataset은 머신러닝을 연습하기 위한 좋은 예제이다 . 코드를 통해서 알아보자 . from sklearn.datasets import load_iris from sklearn.model_selection import train_test_split import pandas as pd import mglearn import matplotlib.pyplot as plt위 코드는 머신러닝을 통하여서 , 시각화할 것인데 , 이 때 필요한 패키지들이다 . sklearn이 메인 library이다 . pandas는 데이터들을 데이터프레임으로 만들 때 사용할 것이고 , mglearn 과 matplotlib 은 가공한 데이터를 시각화 할 때 사용한다 . 본격적으로 확인해 보자 . 다음은 iris dataset..

머신러닝이란 ? 1. 데이터에서 지식을 추출하는 작업2. 통계학, 인공지능, 컴퓨터 과학이 어우러진 연구분야3. 예측 분석이나 통계적 머신러닝으로도 불림 딥러닝 , 머신러닝 , AI 포함관계 딥러닝 < 머신러닝 < AI 머신러닝에는 지도학습과 비지도학습이 존재한다 . 지도 학습 ( Supervised Learning ) 1. 알고리즘에 입력과 기대하는 출력을 제공 2. 알고리즘은 입력으로 부터 기대하는 출력을 만드는 방법을 찾음 비지도 학습 ( Unsupervised Learning ) 1. 알고리즘에 입력은 주어지지만 출력은 제공되지 않음 2. 따라서 비지도 학습의 성공을 평가하기 어려움 데이터와 특성 다음과 같은 데이터가 있을 때, [나이,성별,구매빈도,이메일]은 특성(features) = 속성이라고..

데이터 과학이란? è 컴퓨터 도구를 효율적으로 이용하고 , 적절한 통계학 방법을 사용하여 실제적인 문제에 답을 내리는 활동 데이터 과학 프로세스 1. 문제 정의 (problem definition)2. 데이터 정의 (data definition)3. 실험 계획 (design of experiment)4. 데이터 취득 (data acquisition)5. 데이터 가공 (data processing, data wrangling)6. 탐색적 분석과 데이터 시각화 (exploratory data analysis , data visualization)7. 모형화 (modeling)8. 분석 결과 정리 (reporting) 정리를 해보자면 , 데이터과학이란 실제적인 문제를 통계적으로 표현하고 , 컴퓨터 도구를 사용..