본문 바로가기

728x90
반응형

전체 글

(304)
[복습] Python 시각화(4) 산점도(scatter) - x축, y축 좌표 전달(수치형) - 두 변수의 상관관계 파악 가능 - 분류과제일 때(y가 factor일 때), y의 값 별로 색을 표현하여 종속변수 예측의 중요도가 높은 변수 식별 목적 plt.plot('scatter')로 표현한다. 예) iris data 산점도 그리기(colorbar 표현) STEP 1) 데이터 로딩 STEP 2) 화면 분할 예) iris data 산점도 그리기(y색 표현) 1) 컬러 자동 결정 2) 컬러맵 사용 3) 사용자 정의 색 지정
[복습] Python 시각화(3) plot의 세부옵션 등 plot의 세부 옵션 1) plot 내 옵션 전달 df3.plot(data, x, y, kind, ....) 2) plot 박에서 옵션 전달 → plt 내 함수식으로 사용 dir(plt) # plt 함수 목록 확인 plt.xticks? # xticks 만의 메뉴얼 확인 가능 x축 눈금 라벨 설정 plt.xticks(ticks, # 각 눈금 위치 labels. # 각 눈금 이름 rotation) # 회전 각도 눈금 세부 설정 plt.tick.params(axis = 'both', # 이게 default, 적용 대상 direction, length, # 눈금 길이 width, # 눈금 너비 color, # 눈금 색 pad, # 눈금과 눈금 라벨 사이 간격 labelsize, # 라벨 크기 labelcolor..
[복습] Python | 분석 | SVM(Support Vector Machine) (2) + 하루끝(20240131) 연습문제 iris 데이터를 사용하여 SVC 모형으로 비선형성을 강화시키면서 결정경계를 시각화 하여라. 단, iris의 setosa 클래스는 제외하며 petal 변수들만 고려하여 fitting 할 것. 1. 데이터 불러오기 2. 분포 형태 시각화 3. MinMax Scaling svm은 스케일링을 필요로 하는 모형이므로 변수 스케일링을 진행한다. MInMax Scaling 공식은 (X - Xmin()) / (Xmax() - Xmin()) 만일 standard scaling 을 사용하고 싶다면, f_standard = lambda x: (x - x.mean()) / s.std() 공식을 사용하여, DataFrame(X).apply(f_standard, axis = 0).values 로 진행하면 되겠다. 4...

728x90
반응형