김야키

데이터셋 : make_moons from sklearn.datasets In [1]: #-*- coding:utf-8 -*- # 랜덤 포레스트 분석 from sklearn.ensemble import RandomForestClassifier from sklearn.datasets import make_moons from sklearn.model_selection import train_test_split import mglearn %matplotlib inline import matplotlib.pyplot as plt import pandas as pd # make_moons : 샘플 데이터 셋 x, y = make_moons(n_samples = 100, noise = 0.25, random_stat..

SVC - Support Vector Classification 2차원의 평면 직선으로 표현할 수 없는 분류를 3차원으로 계산 해 주는 알고리즘 데이터셋 1 : make_blobs from sklearn.datasets 데이터셋 2 : mglearn.tools.make_handcrafted_dataset 데이터셋 3 : load_breast_cancer from sklearn.datasets (유방암 데이터셋) In [1]: #-*- coding:utf-8 -*- %matplotlib inline import matplotlib.pyplot as plt from sklearn.model_selection import train_test_split from sklearn.datasets import mak..

데이터셋 1 : make_forge from mglearn 데이터셋 2 : load_breast_cancer from sklearn.datasets (유방암 데이터셋) 함수 : plot_feature_importances_cancer (해당 모델을 이용한 예측에서 feature들의 중요도 출력) In [1]: #-*- coding:utf-8 -*- %matplotlib inline import matplotlib.pyplot as plt from sklearn.linear_model import LogisticRegression from sklearn.svm import LinearSVC import mglearn x, y = mglearn.datasets.make_forge() fig, axes = p..

데이터셋 : ram_price.csv In [1]: import os import mglearn #-*- coding:utf-8 -*- %matplotlib inline import matplotlib.pyplot as plt import pandas as pd ram_prices = pd.read_csv(os.path.join(mglearn.datasets.DATA_PATH, "ram_price.csv")) plt.semilogy(ram_prices.date, ram_prices.price) plt.xlabel("Year") plt.ylabel("Price ($/Mbyte_") Out[1]: Text(0,0.5,'Price ($/Mbyte_') In [2]: from sklearn.tree import..

사용 데이터셋 : iris, forge, 사용 모델 : KNN, LinearRegression, Ridge, Lasso In [1]: from sklearn.model_selection import train_test_split from sklearn.datasets import make_blobs import mglearn # x값에 따른 y값 형태의 dataset을 생성 # 사용되는 데이터셋은 forge() 형태 x, y = mglearn.datasets.make_forge() # 전체 데이터셋을 train데이터와 test데이터로 생성 x_train, x_test, y_train, y_test = train_test_split(x, y, random_state=0) In [2]: # KNN Class..

사용 데이터셋 : iris 사용 모델 : KNN 알고리즘 In [1]: # 아이리스 데이터셋 로드 from sklearn.datasets import load_iris # 데이터셋 선언 # 붓꽃의 데이터셋을 사용 iris_dataset = load_iris() In [2]: # 특성 확인 print("iris_dataset의 키 : {}".format(iris_dataset.keys())) iris_dataset의 키 : dict_keys(['data', 'target', 'target_names', 'DESCR', 'feature_names']) In [3]: # 데이터셋의 정보 print(iris_dataset['DESCR'][:193]+"\n...") Iris Plants Database =====..

import random guessesTaken = 0 print('당신의 이름은 무엇인가요?') myName = input() number = random.randint(1,20) # 1~20까지의 랜덤 숫자 선언 print('그럼, '+myName+'씨, 1~20까지 숫자중에 제가 생각하는 숫자를 맞춰 보세요') while guessesTaken < 6: # 최대 입력 횟수를 5번으로 제한 print('내생각엔...') guess = input() guess = int(guess) # 입력은 문자로 인식하기 때문에 int형으로 변환 guessesTaken = guessesTaken + 1 if guess < number : # 입력한 숫자가 더 작은 경우 print('조금 더 큰 숫자에요') if g..

import string# rsplit함수를 사용하기 위한 import문f = open("Yesterday.txt", 'r')line = f.readline()# 개수 확인 방법 1print(line.count('Yesterday'))print(line.count('yesterday'))# string라이브러리 내의 count함수를 이용하면 쉽게 ()안의 문자의# 수를 구해낼 수 있다.# 개수 확인 방법 2lines = line.rsplit()# rsplit라는 함수는 string의 내장함수로# ()안에 입력된 문자를 만나는 것을 기준으로 리스트를 채워넣는다.# ()안에 아무것도 입력하지 않았다면 ' '공백이 기준이 된다.count = 0count2 = 0for a in lines: if a == 'Ye..

import numpy as np # 리스트를 효율적으로 생성하고 # 더 효율적으로 계산하기 위한 numpy라이브러리 grade = [] while True: num = int(input('학생 점수를 입력 하세요(0점 ~ 100) : ')) try : if 0

first = int(input('구구단 몇 단을 계산할까요?\n')) #구구단 초기값을 입력받는다. second = int(input('추가적으로 몇 단을 계산할까요?\n')) #추가로 곱할 값을 입력받는다. result = first*second #첫 번째 값과 두 번째 값을 곱한다. for a in range(1,10): #곱해진 값을 1~9까지 곱하고 출력합니다. print(result,'X',a,'=',a*result)