본문 바로가기

전체 글36

[알고리즘] K-Nearest Neighbors KNeighborsClassifier() KNeighborsClassifier()는 K-최근접 이웃 알고리즘을 사용하여 분류 모델을 만들기 위한 함수입니다. K-최근접 이웃 알고리즘은 새로운 데이터 포인트를 분류하기 위해 가장 가까운 K개의 이웃 데이터 포인트를 확인하고, 이 이웃들의 레이블을 참조하여 새 데이터 포인트의 레이블을 예측합니다. KNeighborsClassifier() 함수는 다양한 하이퍼파라미터를 가지고 있으며, 이를 조정하여 모델 성능을 향상시킬 수 있습니다. 예를 들어, K 값은 이웃의 수를 조정하는데 사용되며, 더 작은 K 값은 모델의 유연성을 높이고 더 많은 노이즈를 수용할 수 있지만, 더 큰 K 값은 보다 안정적인 모델을 만들어 줍니다. from sklearn.neighbors .. 2023. 2. 26.
[sklearn] predict () sklearn의 predict() 메서드란? predict() 메서드는 sklearn 라이브러리의 주요 메서드 중 하나입니다. 이 메서드는 모델에 새로운 데이터를 입력하면 모델이 예측한 출력 값을 반환합니다. 예를 들어, 붓꽃 종을 분류하는 모델을 학습시킨 후, 새로운 붓꽃의 꽃잎과 꽃받침의 길이와 너비 값을 입력하면, predict() 메서드를 이용하여 해당 붓꽃의 종을 예측할 수 있습니다. 예시 다음은 sklearn의 KNeighborsClassifier 모델을 이용하여 붓꽃 데이터를 분류하는 예시 코드입니다. from sklearn.datasets import load_iris from sklearn.neighbors import KNeighborsClassifier # 붓꽃 데이터 로드 iris .. 2023. 2. 26.
[sklearn] score() sklearn - score() 메서드 score() 메서드는 머신러닝 모델에서 모델의 성능을 평가하는 데 사용됩니다. 이 메서드는 모델이 예측한 결과와 실제 결과를 비교하여 정확도를 계산합니다. 예를 들어, 붓꽃 데이터를 사용하여 붓꽃의 품종을 예측하는 머신러닝 모델을 만들었다고 가정해봅시다. 우리는 이 모델의 성능을 평가하고 싶습니다. 이 때 score() 메서드를 사용하여 모델의 정확도를 평가할 수 있습니다. from sklearn.datasets import load_iris from sklearn.tree import DecisionTreeClassifier iris = load_iris() X = iris.data y = iris.target model = DecisionTreeClassifi.. 2023. 2. 26.
[sklearn] fit () sklearn의 fit() 메서드란? fit() 메서드는 Scikit-learn 라이브러리에서 제공하는 메서드 중 하나입니다. 이 메서드는 주어진 데이터를 사용하여 모델을 학습시키는 데 사용됩니다. 사용법 fit() 메서드는 모델 객체에서 호출됩니다. 일반적으로, 모델을 만든 후, 데이터를 사용하여 모델을 학습시키는 데 사용됩니다. from sklearn.linear_model import LinearRegression X = [[1, 2], [3, 4], [5, 6]] y = [7, 8, 9] model = LinearRegression() model.fit(X, y) 위 코드에서 LinearRegression() 클래스를 사용하여 모델을 만든 후, fit() 메서드를 사용하여 X와 y 데이터를 사용하.. 2023. 2. 26.

티스토리툴바