트리 분석(Tree Analysis) 알고리즘은 데이터를 분류(Classification)하거나 예측(Prediction)하기 위한 방법 중 하나입니다. 트리 분석 알고리즘은 일련의 결정 규칙들로 이루어진 트리(Tree)를 만들어 데이터를 분류하거나 예측합니다. 이 트리는 뿌리(Root)에서 시작하여 분기(Branch)를 반복하며 종단 노드(Leaf node)에 이르는데, 각 분기마다 하나의 변수를 선택하고 그 변수를 기준으로 데이터를 분류합니다. 트리 분석 알고리즘은 다양한 종류가 있습니다. 대표적으로는 의사결정나무(Decision Tree)와 랜덤포레스트(Random Forest)가 있습니다. 의사결정나무는 단일 트리로 구성되어 있으며, 랜덤포레스트는 여러 개의 의사결정나무를 조합하여 구성된 앙상블(..

from sklearn import datasets irisData = datasets.load_iris() x_total = irisData.data y_total = irisData.target # 데이터 분할 from sklearn.model_selection import train_test_split, cross_val_score x_train, x_test, y_train, y_test = train_test_split(x_total, y_total, random_state=10) # 모형 학습 from sklearn.neighbors import KNeighborsClassifier kNN = KNeighborsClassifier() kNN.fit(x_train, y_train) # 학습 결과..

import seaborn as sb # 데이터로드 mpgData = sb.load_dataset('mpg') mpgData = mpgData.dropna() indVarNames = ['cylinders','displacement','horsepower','weight','acceleration','model_year'] x_total = mpgData[indVarNames] depVarName = 'mpg' y_total = mpgData[depVarName] from sklearn.model_selection import train_test_split x_total_np = x_total.to_numpy() y_total_np = y_total.to_numpy() x_train, x_test, y_..

from sklearn import datasets irisData = datasets.load_iris() x_total = irisData.data y_total = irisData.target # 데이터 분할 from sklearn.model_selection import train_test_split x_train, x_test, y_train, y_test = train_test_split(x_total, y_total, test_size=0.50, random_state=10) # 모형 학습 from sklearn.naive_bayes import GaussianNB gNB = GaussianNB() gNB.fit(x_train, y_train) # 학습 결과 및 성능 평가 predictedC..

import seaborn as sns tipsData = sns.load_dataset('tips') h1 = sns.histplot(data=tipsData, x='tip', bins=10) h1.set_xlabel('Tip($)') tipsData['tip_percent'] = (tipsData['tip']/tipsData['total_bill']) * 100 h2 = sns.histplot(data = tipsData, x='tip_percent', kde = True, bins=20) h2.set_xlabel('Tip/Total Bill(%)') # ked=True : 커널밀도함수추정 b1 = sns.boxplot(x='sex', y='tip', data=tipsData) b1.set_xlabe..

import numpy as np a = np.array([2,4,6]) aa = np.array([[1,2],[3,4]]) bb = np.array([[20,40],[60,80]]) cc = aa + bb dd = aa - bb 3 * aa (1/2) * bb # 행렬의 곱셈 aa@bb # 1 x 20 + 2 x 60 = 140 np.matmul(aa, bb) # numpy에서 A*B 연산은 아다마르 곱 aa * bb