글 전체보기70 작업형2, 3 풀이 정리 보호되어 있는 글 입니다. 2023. 11. 17. LinearRegression ◆ 데이터 준비 ◆ KNeighborsRegresssor의 한계 ● 문제 : 50cm 물고기를 예측해보면 실제값이 1500이지만 예측값은 1033이 나옴(50이상 어떤 물고기도 1033으로나옴) ● 원인 : KNeighbors의 경우 가장 가까운 값으로 예측하는데 예측할 데이터가 훈련데이터의 범주에서 벗어난 값이고 가장 가까운 값이 말단값들이라 부정확한 결과가 나옴 ◆ 선형 회귀 ● 임포트 from sklearn.linear_model import LinearRegression ● 훈련 lr = LinearRegression() lr.fit(train_input, train_target) ● 예측 lr.predict([[예측할값]]) ● 기울기, 절편 lr.coef_ # 기울기 lr.intercept_ .. 2023. 11. 17. Regressor(KNeighborsRegressor) ◆ 데이터 준비 ※ reshape arr.reshape(행,열) ● 데이터에 reshape 적용 * -1로 하면 알아서 해당 개수대로 들어감 ◆ KNeighborsRegressor from sklearn.neighbors import KNeighorsRegressor knr = KNeighborsRegressor() knr.fit(독립변수, 종속변수) knr.score(독립변수, 종속변수) ● 회귀 정확도 - 수치형 결과는 정답과 똑같은 결과가 나오기 힘들고 얼만큼 가깝게 맞췄는지에 대해서도 확인해야함 - MAE, MSE, RMSE 등 from sklearn.metrics import mean_absolute_error mean_absolute_error(실제값(정답), 예측값) ◆ 과대적합 VS 과소적.. 2023. 11. 16. KNeiborsClassifier ◆ 데이터 준비 1. 도미 데이터 2. 빙어데이터 ◆ 독립변수, 종속변수 만들기 ◆ K-NeighborsClassifier ● 임포트 & 객체 생성 from sklearn.neighbors import KNeighorsClassifier kn = KNeighborsClassifier() ● 모델 훈련 kn.fit(독립변수, 종속변수) ● 정확도 테스트 kn.score(독립변수, 종속변수) ※ 그래프로 표시 ● 예측 kn.predict([[독립변수, 종속변수]])) # 2차원 데이터 ● 훈련된 데이터 확인 kn._fit_X kn._y ● 하이퍼파라미터 튜닝 ▶ 파라미터 n_neighbors= ◆ 검증데이터 할당하기 from sklearn.model_selection import train_test_spli.. 2023. 11. 16. 이전 1 ··· 4 5 6 7 8 9 10 ··· 18 다음
