삼전동해커

#확률적 경사 하강법 #조금씩 데이터를 훈련시킬 때 사용 #손실 함수 #머신러닝 알고리즘이 얼마나 엉터리인지를 측정하는 기준. 값이 작을수록 좋음. #최소의 손실 함수 값을 찾기위해 확률적 경사 하강법을 사용. #로지스틱 손실 함수 #하강 경사법은 연속적이야 하기 때문에 로지스틱 회귀 모델 확률을 사용 #로그 함수로 연속적임을 나타내는데, 예측확률은 0~1 사이이고 여기서는 로그 값이 음수이므로 -log로 계산한다. import pandas as pd from sklearn.model_selection import train_test_split from sklearn.preprocessing import StandardScaler from sklearn.linear_model import SGDClass..

import pandas as pd from sklearn.model_selection import train_test_split from sklearn.preprocessing import StandardScaler from sklearn.neighbors import KNeighborsClassifier import numpy as np fish = pd.read_csv('https://bit.ly/fish_csv_data') fish.head() print(pd.unique(fish['Species'])) #species 열만 출력 #데이터 준비 fish_input = fish[['Weight', 'Length', 'Diagonal', 'Height', 'Width']].to_numpy() #원하는..

회귀 회귀는 예측하고자 하는 타겟값이 실수인 경우에 사용한다. 선형 회귀를 통한 대상의 길이 예측, 예상 거래량, 대상이 참일 확률 등과 같이 결과값이 연속성을 지닌 경우에 사용한다. 분류 분류는 예측하고자 하는 타겟값이 범주형 변수인 경우에 사용한다. 연속성을 지니지 않고 이산값을 가진다. 0 과 1로 처리할 수 있는 값을 의미하고, 참/거짓, 여러 대상 중 하나의 타겟으로 분류하는 등에 사용한다. 분류는 이진 분류와 다중 분류가 있는데 이진 분류는 0 or 1로 분류하는 것이고, 다중 분류는 여러 대상 중 하나로 분류하는 것이다.

#다중회귀, 길이,높이,두께 데이터를 모두 사용함. #판다스로 csv파일 가져오기 import pandas as pd df = pd.read_csv('https://raw.githubusercontent.com/rickiepark/hg-mldl/master/perch_full.csv') perch_full = df.to_numpy() print(perch_full) import numpy as np from sklearn.model_selection import train_test_split from sklearn.preprocessing import PolynomialFeatures #특성을 제곱한 항을 추가하고 특성끼리 서로 곱한 항을 추가 perch_weight = np.array([5.9, 32...

#무게를 예측하기(회귀) import numpy as np import matplotlib.pyplot as plt from sklearn.model_selection import train_test_split from sklearn.neighbors import KNeighborsRegressor #회귀 알고리즘 from sklearn.metrics import mean_absolute_error #넘파이 배열로 만들기 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..

#train, test set 만들어서 학습하고 이웃 구하기 from sklearn.neighbors import KNeighborsClassifier from sklearn.model_selection import train_test_split import numpy as np import matplotlib.pyplot as plt 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, 3..

from sklearn.neighbors import KNeighborsClassifier import numpy as np import matplotlib.pyplot as plt 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..

파이썬에서 비동기 처리 방식을 공부해보았다. 기본적인 문법은 다음과 같다. 이런 비동기 함수를 코루틴이라고 부른다. async def do_async(): pass 생성된 코루틴은 일반 함수를 호출하듯 호출하면 된다. 코루틴을 다른 코루틴에서 호출하기 위해서는 await 키워드를 붙여 호출해야 한다. async def main_async(): await do_async() 그리고 일반 함수에서 코루틴을 호출하기 위해서는 asyncio 라이브러리의 이벤트 루프를 이용해야 한다. loop = asyncio.get_event_loop() loop.run_until_complete(main_async()) loop.close() 파이썬3.7 이상은 다음과 같이 코루틴을 호출할 수 있다. asyncio.run(m..

import os path = "/Users/a111/pic" count = len(os.listdir(path)) i = 1 for filename in os.listdir(path): file_oldname = filename file_oldname = os.path.join(path,file_oldname) file_newname = str(i)+".JPG" file_newname = os.path.join(path,file_newname) os.rename(file_oldname,file_newname) i += 1 if(i == count): break for filename in os.listdir(path): print(filename)

메모리 맵 파일을 사용하려면 다음 세 단계를 수행해야한다. - 메모리 맵 파일로 사용할 디스크 상의 파일을 나타내는 커널 오브젝트를 생성하거나 연다.(CreateFile) - 파일의 크기와 접근 방식을 고려해 파일 매핑 커널 오브젝트를 생성한다.(CreateFileMapping) - 포르세스의 주소 공간 상에 파일 매핑 오브젝트의 전체나 일부를 매핑시킨다.(MapViewOfFile) CreateFile 핸들을 받아와 파일 혹은 오브젝트를 생성하거나 열 수 있는 함수. 이 함수를 사용해 운영체제에게 파일 매핑을 수행할 파일의 물리 저장소를 알려준다. HANDLE CreateFile( LPCTSTR lpFileName, DWORD dwDesiredAccess, DWORD dwShareMode, LPSECUR..