안녕하세요. 시험이 얼마 남지 않은 시점에서 필수함수 공부 + 노가다/육안으로 직접 확인해서 계산하기를 병행하고 있습니다. 이 문제는 소수점 셋째 자리까지 계산하라고 하였기 때문에 어떤 방식을 택하든 문제가 발생하진 않습니다만, 실제 시험에서 최종 답안을 계산할 때 어떤 방식이 더 맞는지 여쭙고 싶습니다. [코드] # 스팸 메시지의 평균 단어 개수와 정상 메시지의 평균 단어 개수를 각각 구하시오. wordsdata = df.groupby(['label'])['word_count'].mean() print(wordsdata.head()) print(abs(wordsdata.iloc[0]-wordsdata.iloc[1])) # 방법 1 print(abs(10.070026-10.022919)) # 방법 2 방법 1은 나름 정석(?)으로 구하는 것이고, 방법 2는 앞서 출력해본 wordsdata.head()의 결과물에 있는 숫자들을 그대로 활용하여 계산하는 방법입니다. [출력결과] > label ham 10.070026 spam 10.022919 Name: word_count, dtype: float64 0.047106439394330124 # 방법 1 계산 결과 0.047107000000000454 # 방법 2 계산 결과 보시면 출력되는 숫자가 방법에 따라 미세하게 다름을 확인할 수 있습니다. 어떤 방법이 실전 시험에서 더 적절한지 의견 여쭙고 싶습니다. 그리고 시험 출제하시는 분들도 이런 미세한 차이를 인지하시고 소수 셋째 지점까지 구하라고 한건지도 문의드리고 싶습니다. 감사합니다.
아래와 같이 학습 데이터, 테스트 데이터를 합쳐서 데이터 인코딩을 진행했을 때 칼럼명이 1267개가 나오는데 모델 학습 시 시간이 많이 걸리는 요소가 되는 건가요? 칼럼이 이 정도면 많이 있는건지, 괜찮은 건지, 그 기준도 궁금합니다. 이렇게 합쳐서 했을 시, 모델 학습 및 예측 시간이 37초 정도 걸리는데 (코랩에서) 시험 환경에서는 더 많이 걸릴 수도 있는 거죠?(반응속도의 차이로 인해서) 랜덤포레스트 모델 이용했을 때 37초 걸리고, RMSE : 3779.6769 값이 나옵니다. lightgbm 모델을 이용했을 때 5초가 걸리고, RMSE : 4070.0473 값이 나옵니다. 만약 랜덤포레스트 모델 학습 및 예측 시간이 시험 환경에서 1분을 초과한다면 성능이 좀 떨어지더라고 lightgbm 모델을 사용해서 제출하는 것이 더 나을까요? 또한, df.iloc를 쓰지 않고, 위 그림처럼 바로 df[:len(train)]을 써도 동일한 결과가 나오는 것 같은데 맞나요?
강사님, 안녕하세요! 우선 이번에 실무에서 Airflow 기술스택을 다루게 되었는데, 상세한 강의를 준비해주셔서 덕분에 많은 도움을 받았습니다. 다만 섹션 19 " 107.Email 전송 변경사항" 실습 중 다음과 같은 에러가 발생하여 질문드립니다. docker-compose.yaml의 "AIRFLOW__EMAIL__EMAIL_CONN_ID" 파라미터에 Connection에 등록한 연결 객체의 id를 정상적으로 입력했음에도 불구하고 위와 같은 에러가 발생했습니다. smtp_default라는 이름의 Connection을 별도로 등록하고 "AIRFLOW__EMAIL__EMAIL_CONN_ID" 파라미터에 smtp_default 값을 입력했더니 메일이 정상적으로 전송되었는데요. 혹시 제가 실습 중에 잘못한 것이 있어서 안된건지, 아니면 강의 찍으신 시점이후로 동작에 변경사항이 생긴건지 궁금하여 질문드립니다. 감사합니다.
학습 관련 질문을 남겨주세요. 상세히 작성하면 더 좋아요! 질문과 관련된 영상 위치를 알려주면 더 빠르게 답변할 수 있어요 먼저 유사한 질문이 있었는지 검색해보세요 작업형 3에 되게 많은 분석과 검정이 있는데 많이 나오는 기출이나 특정 유형이 있을까요? 3유형 함수나 그런것들이 너무 많아서 어떤 것이 핵심이고 자주 기출에 나오며 뭐가 출제 예상이신지 궁금합니다
안녕하세요 codex app이나 codex cli로 계속 개발을 하다가면 세션이 usage가 다 차셔 계속 사용하면 자동으로 context 압축을 하면서 동작하는 것이 보이는데요 이경우 이런식으로 계속 개발해도 문제가 없을까요? 세션의 남은 context가 100%가 다되어가면 새세션을 생성하고 다시 작업을 시작하게 되면 이전에 사용하던 세션의 내용을 codex가 모두 기억하고 있을까요? 그대로 이어서 한다고 생각하고 개발하면 되는 것일까요? 2번 질문과 관련해서 새 세션이 이전 세션의 내용을 모두 기억하고 있지 않다면 이전 세션의 중요한 정보를 저장하였다가 새로운 세션에서 불러와서 개발을 계속 이어가는 방법이 있을까요? 감사합니다.
학습 관련 질문을 남겨주세요. 상세히 작성하면 더 좋아요! 질문과 관련된 영상 위치를 알려주면 더 빠르게 답변할 수 있어요 먼저 유사한 질문이 있었는지 검색해보세요 11회 기출 유형(작업형1) 강의 15:10초에서 초기 값 25.055 round 씌우고 24.xx print 씌우고 25.022가 되어 답이 25.022라고 설명해주셨는데 답이 25.022라는건가요? 초기값 25.055로 알고있으면 되는건가요?!
인코딩을하면 f1 score에서 pos_label을 따로 지정할 필요가 없나요?? 그리고 평가하는 게 모의시험 느낌이라고 말씀하셨는데, pred = model.predict(X_val) or pred_proba = model.predict_proba(X_val) 로 한 다음에, pred = model.predict(test) or pred = model.predict_proba(test)로 제출하면 될까요?
작업형 2에서 업로드해주신 자료에서는 원핫인코딩을 진행했는데요. 원핫인코딩을 진행한 사유가 있나요? 저는 시군구명만 레이블인코딩을 사용했는데 , 인코딩 종류를 결정하는 것이 헷갈립니다, 제가 사용한인코딩 코드를 첨부합니다! from sklearn.preprocessing import LabelEncoder cols=train.columns[train.dtypes== 'O' ] for col in cols: le=LabelEncoder() train[col]= le.fit _transform(train[col]) test[col]= le.fit (test[col]) 이렇게만 했더니, train 만 object ->int로 바뀌고 test는 바뀌지 않아서 랜덤포레스트를 활용할수 없다는 에러가나와 아래를 추가했습니다..! from sklearn.preprocessing import LabelEncoder cols=test.columns[test.dtypes== 'O' ] for col in cols: le=LabelEncoder() test[col]= le.fit _transform(test[col]) 이렇게 해도 되나요..?? dtypes로 마지막에 점검했을 때는, 둘다 int로 바뀌어 있기는 했습니다.
The connection timed out, consider setting the 'Retry on Fail' option in the node settings 안녕하세요 n8n에서 자동화프롬프트 불러오기 실행시키면 실행되는 로딩이 계속걸리다가 위와 같은 문구가 뜨면서 동작되지 않습니다. 해결방안이 있을가요? ㅠㅠ