학습 관련 질문을 남겨주세요. 구체적으로 적을수록 좋아요! 마크다운과 단축키를 활용하면 글을 더 편하게 작성할 수 있어요. 커뮤니티 질문 & 답변에 비슷한 내용이 있었는지 먼저 검색해보세요. 강의노트 노션 오랜만에 들어가니 권한이 없다고 나오는데요, 다시 신청해야하나요? 확인 부탁드립니다.
안녕하세요 강사님 평가지표 강의중에 문득 궁금한게 생겨서요 앞선 강의에서는 문자는 모두 인코딩을 통해 숫자형으로 변환했는데, 갑가지 강의에서 실제값, 예측값에 문자가 있을 경우를 설명해주시니 조금 혼란스럽네요... 그리고 이번 강의는 너무 빠르게 훑고 넘어가서 이해가 잘 안되는거 같습니다 아래 average 부분도 언제 이걸 쓰는지 알아야 할 거 같은데... 설명없이 슥 넘어가버려서... average= micro, macro, weighted
학습 관련 질문을 남겨주세요. 상세히 작성하면 더 좋아요! 질문과 관련된 영상 위치를 알려주면 더 빠르게 답변할 수 있어요 먼저 유사한 질문이 있었는지 검색해보세요 작업형1_section14 에서 fillna(0)을 적용한 뒤 map() 함수를 사용하면 최종 결과 값은 동일하나 df 조회 시 다시 결측값이 발생됩니다. 이 경우 map() 대신 replace()를 사용하는 것이 맞는지 궁금합니다. # 값 대체 df['f3'] = df['f3'].fillna(0) dict_list = {'silver':1, 'gold':2, 'vip':3} df['f3'] = df['f3'].map(dict_list)
20번 강의 > 7번 문제를 풀던 중, 모든 나이에 1을 더하고, cond1 cond2를 설정한 뒤 각 조건의 절댓값 차이를 result 변수에 넣고 값을 확인했습니다. 값이 783.37이 나왔습니다. 선생님께서는 정답을 263.13으로 말씀 주셨습니다. 코드가 같은데, 값이 다른 이유가 궁금합니다. 제가 쓴 코드는 아래에 첨부하였습니다. df = pd.read_csv("https://raw.githubusercontent.com/lovedlim/inf/refs/heads/main/p1/type1_data1.csv") df['age'] = df['age'] +1 cond1 = (df['age']>=20) & (df['age']<30) cond2 = (df['age']>=30) & (df['age']<40) result = abs(df[cond1]['views'].mean() - df[cond2]['views'].mean()) print(result) print(round(result, 2))
학습 관련 질문을 남겨주세요. 상세히 작성하면 더 좋아요! 질문과 관련된 영상 위치를 알려주면 더 빠르게 답변할 수 있어요 먼저 유사한 질문이 있었는지 검색해보세요 기출 9회 작업형 1에서 보면, grouped[1] 을 사용해서 지역코드와 성별로 그룹된 데이터프레임에서 1에 해당하는 컬럼명과 데이터를 선택합니다. 그런데 저는 이제까지 연습할 때 데이터프레임에서 열을 선택하기 위해 df[숫자]를 쓰면 행이 선택이 되었고, df[: , 숫자]를 입력하면 에러가 났었습니다. 그래서 df에서는 loc나 iloc를 사용해서 슬라이싱 혹은 인덱싱을 하고 있었습니다. 그런데 본 데이터에서는 오히려 loc와 iloc를 사용하면 에러가 납니다. 차이가 무엇인가요? 해당 데이터에서는 왜 컬럼 선택으로 출력이 되는 건가요?
작업형3 로지스틱 회귀분석 이론 강의에서는 로지스틱 함수로 모델 생성 후 test 데이터로 예측할 때 target를 빼지 않고 바로 예측을 진행했는데, 제7회 기출문제에서 예측할 때는 pop으로 target을 빼고 예측을 수행했습니다. 어떤 경우에 pop을 사용 후, 예측을 수행해야 하는지 차이점을 알고 싶어 질문드립니다. # 데이터셋 분할 train = df.iloc[:210] test = df.iloc[210:] # 1) 학습, test데이터를 사용해 예측 (0.5 미만: 0, 0.5 이상 1) model = logit("gender ~ weight", data=train).fit() target = test.pop("gender") pred = model.predict(test) > 0.5
강의를 들어보니 현재 시스템은 빅테크에 핏된 것으로 보입니다. 만약 제가 생각하는 유망한 종목들을 후보군에 넣으려고 한다면 수정해야할 사항이 적진 않아보입니다. 기존 nasdaq_top_100외에도 다른 종목들을 추가할 수 있는지, 가능하다면 어떤 식으로 변경이 이뤄져야하는지가 궁금합니다. 매수 후보 루프에 사용되는 ML모델(predict.py) 가격데이터 수집 후보군(stock.py nasdaq_top_100 대신 다른 필드 추가?) 주가 관련 컬럼 목록 정의 수정(stock_columns) 등등..
학습 관련 질문을 남겨주세요. 상세히 작성하면 더 좋아요! 질문과 관련된 영상 위치를 알려주면 더 빠르게 답변할 수 있어요 먼저 유사한 질문이 있었는지 검색해보세요 예시문제 작업형2(2025v)에서 저는 아래와 같이 문자는 제외하고, rmse (max_depth, n_estimators 최적화도 진행함)를 구했는데요! 레이블인코딩하지 않은 경우라면, 채점시에 점수가 낮아질 확률이 높아지나요?? 합불에 크게 영향을 주는 지 궁금합니다. train= train.select _dtypes(exclude='O') test= test.select _dtypes(exclude='O') 추가로 제가 작성한 코드를붙입니다! train=train.dropna(axis=1) test=test.dropna(axis=1) train= train.select _dtypes(exclude='O') test= test.select _dtypes(exclude='O') # print(train.shape, test.shape) # print(train.isnull().sum().sum()) # print(test.isnull().sum().sum()) from sklearn.model_selection import train_test_split X_tr,X_val,y_tr,y_val = train_test_split(train.drop('총구매액', axis=1),train.pop('총구매액'), test_size=0.2, random_state=0) # print(X_tr.shape,X_val.shape,y_tr.shape,y_val.shape) from sklearn.ensemble import RandomForestRegressor rf=RandomForestRegressor(random_state=0,max_depth=7, n_estimators=200) rf.fit (X_tr,y_tr) pred=rf.predict(X_val) from sklearn.metrics import root_mean_squared_error print(root_mean_squared_error(y_val,pred)) #base 820.5860282970249 #3,100 875.2260812472606 #3,200 873.5386940171521 #3,400 874.1382881938769 #5,400 824.3641497143064 #5,200 818.239922754944 #7,100 804.8452832752822 #7,200 804.418493364831 // #10,300 814.7390378036772 # 10,100 820.1853548789979 pred=rf.predict(test) pd.DataFrame({'pred':pred}).to_csv('result.csv',index=False) print( pd.read _csv('result.csv'))
기존 pro요금제 구독을 끊고, api key 방식으로 갈아타려고 했으나, Purchasing prepaid credits is not allowed before upgrading your plan. 라는 문구가 뜨면서 거래가 거절되네요. 찾아보니, pro plan을 먼저 구독 하고 나서 api key 방식을 사용할 수 있는 것처럼 보이는데요
24강 전체 파이프라인 호출하는 것 까지 들었는데요. 깃 클론으로 내려받은 코드에는 강사님이 24강까지 강의한 내용의 코드가 이미 구현이 되어있는 것 같은데요. 저는 22강부터 24강까지 따라서 구현을 하면 이미 있는 강사님이 구현한 파일에 제가 새롭게 덮어쓰는게 되는 거죠? 제가 이해하고 있는게 맞나요?
인코딩시 concat을 사용하는 상황에 대해 질문이 있습니다. 1.train과 test의 unique한 값을 비교해서(set에 넣어서) 1) 만약 종류가 완전히 같을 경우 one-hot 인코딩 : train, test 각각 get_dummies label 인코딩 : for문 내부에서 train은 fit_transform, test는 transform 2) 갯수는 다르지만 train의 종류가 test의 종류를 모두 포함 할 경우 one-hot 인코딩 : concat한 후 get_dummies 한 후 분리 label 인코딩 : for문 내부에서 train은 fit_transform, test는 transform 3) 각자 서로에게 없는 종류를 가진 경우 one-hot 인코딩 : concat한 후 get_dummies 한 후 분리 label 인코딩 : concat한 후 fit_transform 한 후 분리 이렇게 구분하면 되는건가요? 2.또한 궁금한게, 굳이 저렇게 상황별로 외우지 말고 그냥 무조건 concat해서 인코딩 후 분리하는 전략은 어떤지 의견이 궁금합니다.
