코드탐험 신비의 세계

joblib.dump() : 저장할 변수, 저장할 파일명을 입력하면 해당 변수 데이터를 저장 # 실 서버에 이 인공지능을 활용하려면 2개 파일이 필요하다. # regressor , ct => 파일로 저장 import joblib >>> joblib.dump(regressor, 'regressor.pkl') ['regressor.pkl'] >>> joblib.dump(ct,'ct.pkl') ['ct.pkl']

오차(error)란 실제값 - 예측값 (오차가 적을수록 똑똑한 인공지능) # 실제값 - 예측값 변수로 저장 error = y_test - y_pred # 저장한 변수를 제곱하고 평균을 구한다 (error ** 2).mean() >>> y_test 41 77798.83 17 125370.37 20 118474.03 45 64926.08 23 108733.99 14 132602.65 28 103282.38 47 42559.73 32 97427.84 18 124266.90 Name: Profit, dtype: float64 >>> y_pred = regressor.predict(X_test) >>> y_pred array([ 75017.13778857, 129992.67932128, 116991.8622787..

수치 예측은 리니어 리그레이션으로 모델링 알아서 피처스케일링 해주는 착한 녀석.. from sklearn.linear_model import LinearRegression # 변수에 저장해서 사용 regressor = LinearRegression() # 학습용과 테스트용으로 나눴던 데이터중 학습용 데이터를 입력해 학습 regressor.fit(X_train, y_train) regressor.coef_ : 계수 반환 regressor.intercept_ : 상수 반환 >>> regressor.coef_ # 계수 array([ 8.29736108e+00, 1.35646415e+03, -1.36476151e+03, 8.24637324e-01, -1.12195852e-02, 2.80920611e-02]) >..

from sklearn.model_selection import train_test_split train_test_split() : 데이터셋을 학습용과 테스트용으로 나눈다. >>> X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=32) >>> X_train array([[1. , 0. , 0. , 0.73913043, 0.68571429], [0. , 1. , 0. , 0.13043478, 0.17142857], [1. , 0. , 0. , 0.34782609, 0.28571429], [1. , 0. , 0. , 0.91304348, 0.88571429], [0. , 0. , 1. , 0.478260..

학습 시킬 때 값의 레인지를 맞춰줘야 더 정확한 트레이닝이 가능하다. from sklearn.preprocessing import StandardScaler, MinMaxScaler # 피처 스케일링을 위한 스케일러는, x 용과 y 용 따로 만든다. StandardScaler() : 표준화 # 1. 표준화 >>> X_scaler = StandardScaler() >>> X_scaler.fit_transform(X) array([[ 1. , -0.57735027, -0.57735027, 0.69985807, 0.58989097], [-1. , -0.57735027, 1.73205081, -1.51364653, -1.50749915], [-1. , 1.73205081, -0.57735027, -1.12302..

데이터를 학습하기 위해서는 방정식에 대입되어야 하는데 방정식은 수학식이므로 데이터는 모두 숫자로 되어 있어야 한다. 따라서 문자열 데이터를 숫자로 바꿔줘야 한다. import numpy as np import matplotlib.pyplot as plt import pandas as pd from sklearn.preprocessing import LabelEncoder, OneHotEncoder from sklearn.compose import ColumnTransformer LabelEncoder() : 문자열 데이터를 정렬해서 순서대로 0부터 시작하는 숫자로 변경 - 카테고리컬 데이터이 3개 이상일 때는 Label Encoding으로 학습하면 학습이 잘 안된다. 3개 이상의 카테고리컬 데이터는 On..

1. pd 데이터 가져오기 import numpy as np import matplotlib.pyplot as plt import pandas as pd import the dataset >>> df = pd.read_csv('../data/Data.csv') >>> df CountryAgeSalaryPurchased 0France44.072000.0No 1Spain27.048000.0Yes 2Germany30.054000.0No 3Spain38.061000.0No 4Germany40.0NaNYes 5France35.058000.0Yes 6SpainNaN52000.0No 7France48.079000.0Yes 8Germany50.083000.0No 9France37.067000.0Yes 2. 0이나 다른..