권철민 강사님 영상 참고. Classifier는 두 개로 나뉜다. 우선 부모 단에 Estimator가 있고 회귀를 할 때는 Regressor, 분류를 하고싶을 때는 Classifier. Confusion Matrix. cross_val_score를 하면 교차검증을 시켜준다. (cv=5) 하게 되면 교차검증 5번을 해준다. GridSearchCV : 얘는 잘 모르겠다. param_grid= 라는 것에 여러가지 파라미터를 세팅시킬 수 있다. 'max_depth', 'min_samples_split' : [3,4,5], 'min_samples_leaf' : [1,2,3] 이런 식으로 세팅할 수 있다. 나중에 다시 공부하자. 이런 느낌? 이라고만. from sklearn.metrics import confusi..

셀 실행: Shift + Enter 셀 실행 후 다음 셀로 이동: Shift + Enter 셀 실행 후 아래에 새로운 셀 추가: Alt + Enter 셀 편집 모드로 전환: Enter 셀 명령 모드로 전환: Esc 셀 삭제: dd (두 번 누르기) 셀 복사: c 셀 잘라내기: x 셀 아래에 붙여넣기: v 셀 위로 이동: k 셀 아래로 이동: j 라인 분할: Shift + Enter 코드 셀로 변환: y 마크다운 셀로 변환: m 모든 셀 실행: Ctrl + Enter 선택 영역 주석 처리: Ctrl + / 선택 영역 주석 처리 해제: Ctrl + / 선택 영역 코드 실행 중지: I, I (두 번 누르기)

hue는 꼭 해줘야 한다. 안하면 통자로 나온다. 그리고 안에 컬러를 채우지 않았더니 이렇게 뭔가 핏줄처럼 나왔다. import random #hexadecimal 형식으로 랜덤 색 선택 def rand_color(): return "#" + "".join([random.choice('0123456789ABCDEF') for _ in range(6)]) plt.figure(figsize=(15,5)) sns.kdeplot(data=df, x=df['Ladder score'],hue='Regional indicator') plt.title("지역별 행복지수 분포") plt.axvline(df['Ladder score'].mean(), c='black', ls='--') import random #hexad..

https://www.kaggle.com/datasets/kumarajarshi/life-expectancy-who?resource=download Life Expectancy (WHO) Statistical Analysis on factors influencing Life Expectancy www.kaggle.com 오늘은 기대수명에 대한 조사를 한다. 여기에 컬럼이 나와있고, 판다스에서 columns를 조회해도 된다. Key questions가 있는데 이것을 번역해보니까 이렇게 나온다. # 선택하여 열 이름 변경하기 # 전체는 df.coulumns = ['col1','col2'...] df.rename(columns={'Life expectancy ':'Life expectancy'}, inplac..

오늘은 이런걸 그렸다. 소벨 필터링의 엣지부분에 색칠하는 것. import numpy as np from scipy.signal import correlate2d import matplotlib.pyplot as plt white_patch = 255 * np.ones(shape=(10, 10)) black_patch = 0 * np.ones(shape=(10, 10)) img1 = np.hstack([white_patch, black_patch]) img2 = np.hstack([black_patch, white_patch]) img3 = np.vstack([img1, img2]) img = np.tile(img3, reps=[2, 2]) fig, ax = plt.subplots(ncols=3, fig..

from . 양정은 강사님 프로젝트 과제임. 소벨 필터링 ? 이미지 처리나 컴퓨터 비전에서 사용되는 엣지 감지 알고리즘. 일반적으로 가장자리에 해당하는 이미지의 높은 공간 주파수 영역을 강조하는 방법을 제공한다. white_patch = 255*np.ones(shape=(10, 10)) # 10,10 짜리 흰색패치 black_patch = 0*np.ones(shape=(10, 10)) # 10,10 짜리 검정패치 print(white_patch) img1 = np.hstack([white_patch, black_patch]) img2 = np.hstack([black_patch, white_patch]) img = np.vstack([img1, img2]) fig, ax = plt.subplots(fig..