import statsmodels.api as sm혹시 이건 왜 작성하는건가요?작성 안해도 코드가 제대로 실행 되던데요

이론은 지금 0.9버전 받으면 최신 껄로 모든 이론 다 받는거 맞을까요? 1월 업데이트길레 더 있나 싶어서 여쭤봅니다. 이거 하나만 받으면 될까요

범주형 데이터를 수치형 데이터로 변환하는 과정에서 범주형 컬럼과 범주값이 너무 많은 문제에서 get_dummies를 사용 하는 것보다Label Encoder를 사용 하는게 나을까요?Label Encoder는 사용시 개별 데이터를 하나하나 다 작업해 줘야하나요?조금더 적절한 방법이 있다면 조언 부탁드립니다.

 커널 재실행 직후 run all 하면 토큰 수 제한 에러가 뜹니다. 다시 run all하면 잘 실행되구요. websearch 후 generate의 query 찍어보면 토큰 수 제한 걸릴일이 없는 문장인데 왜이럴까요? websearch 후 generate의 query 값이 "쿼리입니다 === " 이 부분입니다.

안녕하세요 규원님. 강의 잘 보고 있습니다.거짓 양성과 거짓 음성이 의미하는 바가 잘 이해가 되지 않아서 질문드립니다.수업 중 제공해주신 표에서는:거짓 양성: 테스트가 실패하지만 운영 코드가 테스트 시나리오를 만족하는 경우거짓 음성: 테스트가 성공하지만 운영 코드가 테스트 시나리오를 만족하지 않는 경우로 나와 있습니다.하지만 제가 이해하기로는 정의가 반대인 것 같습니다:거짓 양성: 테스트는 통과하지만 실제로는 코드에 문제가 있는 상황거짓 음성: 테스트는 실패하지만 코드가 올바르게 동작하는 상황예시로 제시해주신 코로나 검사 사례를 TDD에 적용해서 생각해보면, "코로나에 감염되었는가?"라는 테스트 시나리오가 있을 때:거짓 양성: 테스트는 통과했지만(양성 결과) 실제로는 감염되지 않은 경우이를 TDD로 연결하면: 테스트는 통과했지만 실제 코드는 요구사항을 만족하지 않는 경우TDD에서 이 용어들의 정의가 명확히 정해져 있는 건지, 그리고 어느 쪽이 올바른 정의인지 궁금합니다.감사합니다.

학습 관련 질문을 남겨주세요. 상세히 작성하면 더 좋아요!질문과 관련된 영상 위치를 알려주면 더 빠르게 답변할 수 있어요먼저 유사한 질문이 있었는지 검색해보세요train,test데이터 범주형 수가 다르면 concat 후 레이블인코딩 또는 원핫인코딩 후 다시 train,test로 나뉘는데 이중 레이블인코딩은 train데이터엔 있고 test데이터에는 없을때에만 가능한게 맞을까요?10회 2유형 범주형 갯수를 보면 train에는 42 범주형에는 41이어도 동일한 주구매상품이라 가능한거죠?얼핏 다른곳에 train없고 test에만 있을경우 사용하면 안된다는 글을 보았거든요. 

이진 분류에서 target값이 문자형태일 때 acuuracy는 target 값이 숫자형태일 때 처럼 수행하고f1은 pos_label을 통해 양성값을 지정해주면 되는데roc_auc와 recall, precision 평가지표들은 어떻게 수행해야하나요? 

import lightgbm as lgb rk = lgb.LGBMRegressor(random_state=628, verbose=-1) rk.fit(X_tr,y_tr) pred = rk.predict(X_val) from sklearn.metrics import root_mean_squared_error ruf = root_mean_squared_error(y_val,pred) ruf pred = rk.predict(test) submit = pd.DataFrame({'pred':pred}) submit.to_csv("result.csv", index = False) print(pd.read_csv("result.csv").head()) 여기까지 작성하고 실행을 했는데 pred 0 15343.154157 1 15824.571222 2 14148.946309 3 17381.447059 4 6259.560969 이렇게 나오는 이유가 뭘까요.. 처음에 까먹어서 다시 했는데 계속 저렇게 나와요

저 같은 경우에는 컬럼 개수가 안뜨는데 이유가 뭔가요?

강사님 안녕하세요. 강의 잘 듣고 있습니다!강사님께서는 스타일링을 하실때 리액트 네이티브 기본 styleSheet를 사용 해서 개발하시는데,현재 강의에서 개발하는 토이프로젝트 규모의 앱이 아니라, 실제 서비스용 앱을 개발하실때에도 기본 styleSheet를 사용해서 개발하시는지 아니면 다른 외부 라이브러리를 사용해서 개발하시는지 궁금합니다!next.js 나 react 에서는 생산성이나 기능적인 부분때문에 다양한 라이브러리를 사용하는 경우가 많은데, 리액트 네이티브에서는 기본 스타일만으로 충분한지 조언들 듣고 싶습니다. 감사합니다!

train object 컬럼과 test object 컬럼의 기초 통계 확인후 unique 개수가 다른 경우에는 pd.concat을 통해 train+test를 합친 후 pd.get_dummies(원핫-인코딩 진행 후) 길이만큼 나누는 부분이 진행하는 게 맞을까요?

언리얼 5.6 버전으로 깔고 진행하는데 강좌를 보면 콘텐츠 브라우저 / 콘텐츠 폴더에 기본으로 생성 되서 들어가는 데이터가 있는 것 같은데(World, Level, Scene 강좌에서 보여졌던 의자 파티클 이 있는 레벨) 존재하지 않아서 문의 드립니다.

안녕하세요!강의를 듣다가 궁금한 점이 생겨서 질문드립니다.좀비님은 혹시 결제 취소에 대해서도 구현하시나요?질문을 드리는 의도는,DB에 구글이 돌려주는 사용자의 정보 중 어느것 정도까지 저장하시는지(필요하다고 판단되시는지) 궁금해서요!또한 구독이 취소됐을 경우 웹훅으로 디비가 업데이트 됐을 때 보통 클라이언트단에서는 서버에 해당 정보를 확인하기 위해 API를 언제 호출하시나요?(만약 이런 식으로 하고 계신다면요!)

4:05참/거짓은 1이외의 값, 0으로 판단한다.(0: 거짓, 그 이외의 값: 참) 궁금한 점: 위와 같이 설명하셨는데, 음수 값 (마이너스 값)이 들어오면 어떻게 인식하나요?그리고 1이외의 값이 아닌 0외의 값(=참)이 맞는 표현 아닌가요?0외의 값(=참), 0(=거짓)으로 판단한다.저는 이렇게 생각하여 질문드립니다.

테스트 사이즈를 나누는 기준이 있나요??작으면 0.15, 좀 크면 0.2이런식으로요 

선생님, 안녕하세요. 다름이 아니라, 제3유형의 출제범위가 생각보다 넓은 듯 하여 걱정입니다...F 값, 합동 분산 추정량, 로그 씌우는 함수 등... 배우지 못했거나 알지 못하는 개념 및 함수가 갑작스레 등장하게 될까 걱정이네요...어느정도까지 숙지해야하는지도 감이 안서 난감합니다...ㅠㅠ

import pandas as pd train = pd.read_csv("https://raw.githubusercontent.com/lovedlim/inf/main/p2/heart/2files/train.csv") test = pd.read_csv("https://raw.githubusercontent.com/lovedlim/inf/main/p2/heart/2files/test.csv") # train = pd.read_csv("train.csv") # test = pd.read_csv("test.csv") print(train.shape, test.shape) target = train.pop('output') from sklearn.model_selection import train_test_split X_tr,X_val,y_tr,y_val = train_test_split(train,target,test_size=0.5,random_state=2022) print(X_tr.shape,X_val.shape,y_tr.shape,y_val.shape) from sklearn.ensemble import RandomForestClassifier model = RandomForestClassifier(random_state=2022,max_depth=5, n_estimators=400) model.fit(X_tr,y_tr) pred = model.predict_proba(X_val) from sklearn.metrics import roc_auc_score roc_auc = roc_auc_score(y_val,pred[:,1]) print(roc_auc)작업형2 3번 예시 문제에서 강의 스크립트와 동일하게 작성했는데 roc_auc 평가 결과가 1.0으로 나오게 됩니다.1로 나오는 결과는 모델이 검증 데이터를 완벽하게 예측하는 경우라고 하는데, 해당 스크립트 맞는지한번 봐주시면 감사하겠습니다!^^

안녕하세요 쿠케님. 우선 좋은 강의 감사합니다.다름이 아니라 댓글 무한 depth - 테이블&구현 설계에서 unique index를 작성하는 부분이 나오는데 unique index 대신 index로 구현하고 table 생성 시 path에 unique 제약을 걸어도 효과가 같을지 궁금합니다.

문제를 라벨인코딩이 아닌 원핫인코딩으로 풀고 싶은데, 챗 gpt 에 물어봤더니, # 열 정렬/맞춤 필수 (시험 감점 포인트!)train, test = train.align(test, join='left', axis=1, fill_value=0)이 코드가 필수라고 해서요! 원핫인코딩을 할 떄는 항상 안전하게 이 코드를 작성해주면 좋을까요?아니면 이 문제의 경우 특히 그런걸까요?  

저는 1.데이터 크기 확인print(train.shape,test.shape)2.결측치 수 print(train.isnull().sum())print(test.isnull().sum()) 3.#target unique 수print(train['Heat_Load'].value_counts())4.데이터 정보(자료형)print(train.info())정도만 확인 하는데 value_counts()로 확인하는 이유와 object의 unique개수를 확인 하는 이유가 뭔가요?