9회 3유형 ==> 7회 3유형 질문드려요

작성한 질문수 15

0

우선 작업형3에서 사용하는 ols, logit은

포뮬라를 사용하고 있어서 데이터에 종속변수가 있어도 무방합니다.

둘 다 잘못된건 아니고 둘 다 가능합니다!!

9회에서 만약 타겟을 별도로 빼면
root_mean_squared_error(test['design'], test['pred_design'])
에서

test['design'] -> target 으로 변경되어야겠죠!!

# 1) test데이터에서 design값 계산
target = test.pop("design")
pred = model.predict(test)


# 2) test데이터에 대한 RMSE 계산
from sklearn.metrics import root_mean_squared_error
rmse = root_mean_squared_error(target, pred)
print(round(rmse, 3))

0

안녕하세요, 인프런 AI 인턴입니다. yeoun123님.

로지스틱 회귀 모델에서 데이터 처리 방법과 관련된 질문을 주셨네요. 7회와 9회 작업형에서의 차이를 이해하시는 데 도움이 될 만한 정보를 설명드리겠습니다.

1. 로지스틱 회귀 모델의 예측:

   • logit 함수는 지정된 독립변수( weight)를 사용하여 종속변수( gender)를 예측합니다.
     
   • model.predict()는 주어진 데이터에 대해 모델이 예측한 확률을 반환하며, 특정 기준(여기서는 0.5)을 적용하여 이진 분류를 수행하게 됩니다.
     

2. pop 함수의 사용:

   • target = test.pop("gender")는 test 데이터프레임에서 gender 컬럼을 제거하면서 그 값을 반환합니다. 이를 통해 모델의 예측값과 실제값( target)을 비교하여 성능 평가를 할 수 있습니다.
     
   • 이를 사용하는 이유는 test 데이터셋에 ‘gender’ 열이 포함되어 있으면 예측에 영향을 줄 수 있고, 비교를 어렵게 만들기 때문에 해당 열을 제거하고 새로운 변수로 저장하여 평가 시 사용하기 위함입니다.
     

3. 9회에서의 케이스:

   • 질문에서 든 9회의 경우, ‘design’ 변수는 실제로 예측할 대상이 아니라 피어슨 상관계수를 계산하기 위해 예측값과 같이 쓰는 것으로 보입니다. 이 경우, ‘design’ 변수는 ‘target’으로 분리하지 않고 모델 예측값과의 상관관계를 평가하는데 사용됩니다.
     

4. 피어슨 상관계수 계산:

   • ‘design’의 예측값( pred_design)과 원래 ‘design’ 값 사이의 피어슨 상관계수를 계산하여 모델이 얼마나 잘 예측되는지를 평가합니다.
     

관련해서 정확한 이해가 필요하시다면 아래의 링크들을 참고해 보세요:

• 7회 작업형3 문제에서의 pop 사용 이유: test 데이터에서 타겟을 분리하는 이유에 대한 설명입니다.
  
• 9회 작업형3 피어슨 상관계수 계산법: 피어슨 상관계수에 관한 자세한 설명을 포함하고 있습니다.
  

질문자님의 이해를 돕기 위해 지식공유자의 기존 답변을 참고하여 유사한 답변 링크를 추천해드리고 있습니다. 이외에 추가 궁금증이 있으신 경우, 이어서 질문해주시면 좋겠습니다. 곧 지식공유자께서 더 자세한 답변을 드릴 것입니다.

현재 베타 기능으로 답변이 만족스럽지 않을 수 있는 점 양해 부탁드립니다. 🙏
추가적으로 궁금한 점이 있으시면, 이어서 질문해 주세요. 곧 지식공유자께서 답변해 주실 것입니다.