자동차 데이터 셋에서 qsec 컬럼을 Min-Max Scale로 변환 후 0.5보다 큰 값을 가지는 레코드(row) 수는? 문제에서 qsec 컬럼만 묻고 있음 (다른 컬럼 신경 쓸 필요 없음) MinMax Scale 변환 조건 0.5보다 큰 값 제가 짜본 코드입니다. import pandas as pd a = pd.read_csv('/content/mtcars.csv') from sklearn.preprocessing import MinMaxScaler scaler = MinMaxScaler() a['qsec'] = scaler.fit_transform(a[['qsec']]) # ★[['qsec']] cond1 = a['qsec'] > 0.5 print(cond1.sum()) ★ 강의에서는 데이터프레임 형태로 해당위치에 넣어줘야한다는 내용 확인했습니다. 해당 위치에서 대괄호[]를 한번 더 해야하는 이유가 뭔가요? 기존에 제가 받아온 a(mtcars.csv)가 데이터프레임 형태라 그런건가요? 대괄호 [] 1개 - 시리즈, 대괄호 [[[]] 2개 - 데이터프레임
안녕하세요 콘솔에서 배포한 aws 리소스들을 테라폼으로 관리하려고 한다면, 배포된 모든 리소스들을 하나씩 import한 후 plan해보면서 변경점을 찾아 코드화시키는 방법밖에 없을까요? 리소스가 많으면 이런 작업도 공수가 꽤나 들어갈 것 같은데 다른 방법이나 툴같은게 있는지 궁금합니다. 찾아보니 terraformer로 가져올 수 있는거 같은데, 얘를 사용해도 일부 커스텀이 좀 필요한 것 같아 보입니다. 실제 업무에서는 어떤 식으로 해결하는지 궁금하여 질문드립니다.
데이터가 충분할 때는 train_test_split으로 X_tr, X_val, y_tr, y_val로 모델을 학습하고, 데이터가 충분하지 않을 때는 cross_val_scores로 모델을 학습한다고 알고 있습니다. 여기서 데이터가 충분하고 충분하지 않고의 기준은 무엇인가요? 데이터가 몇 개의 행이 있어야 충분하다고 보는지 궁금합니다!
안녕하세요 선생님, 보통 작업형2에서 train, val 데이터 분할하고 from sklearn.ensemble import RandomForestRegressor rf = RandomForestRegressor() rf.fit (X_tr,y_tr) 하고 모델 평가 했을 떄 이상없으면 pred = rf.predict(test) << test를 예측하게 되는데 여기서 질문이, fit은 X_tr, y_tr로 하는게 맞을까요 ? 아님 분할 데이터가 아닌 X_train, X_train[y]로 하는게 더 적합할까요 ?? ㅠㅠ 어렵네여 강의보면 x_tr, y_tr fit해서 진행하긴했는데 궁금합니당
[문제] 결측치가 있는 행을 제거한 후, 학생이 가장 많이 수강한 과목(id_assessment)을 찾고, 해당 과목 점수(score)를 표준화(스탠다스 스케일) 한 뒤에 표준화된 가장 큰 값을 구하시오. (반올림하여 소수 셋째자리까지 계산) 선생님께서는 가장 많이 수강한 과목을 찾기 위해서 value_counts()로 코딩을 하셨는데요! 다름 아니라 df.sort_values('id_assessment' , ascending = False)로 내림차순정렬을 하여서 구하면 안되는걸까요! 내림차순정렬을 할때와 value_counts()로 구할때의 차이점도 혹시 있을까요.. 종종 헷갈리네요.. 둘다 같은 의미일까요 혹시.?
학습 관련 질문을 남겨주세요. 상세히 작성하면 더 좋아요! 질문과 관련된 영상 위치를 알려주면 더 빠르게 답변할 수 있어요 먼저 유사한 질문이 있었는지 검색해보세요 안녕하세요. 섹션4 작업형2에서 원핫 인코딩을 배울 때는 이렇게 배웠었는데 기출문제를 풀 때는 이렇게 해서 똑같이 원핫 인코딩을 해주는데 두개의 방식의 결과는 차이가 없는거죠? 그러면 기출문제 풀이가 더 간단하니까 아래 방식대로 하는게 나은거 겠죠? train=pd.get_dummies(train) test=pd.get_dummies(test)
3과목 문제와 관련하여, 선생님이 '가설검정', '카이제곱', '회귀분석', '분산분석' 등을 알려주셨는데, 문제를 보자마자 이게 어떤 것으로 풀면되는지는 어떻게 아나요? 문제에서 어떤 검정을 써라고하는지 친절히 알려주나요? 아니면 저희가 추론해서 풀어야하나요? 3과목에서 만약 알려주시지 않은 검정이 나오면 dir/help 통해서 함수를 추정해서 풀어가야하나요? 대립가설과 귀무가설 역시 문제에서 무조건 알려주는 걸까요? (샤피로 정규성 검정 같은 경우, 무조건 귀무가설이 정규성을 만족한다여서 헷갈립니다.)
학습 관련 질문을 남겨주세요. 상세히 작성하면 더 좋아요! 질문과 관련된 영상 위치를 알려주면 더 빠르게 답변할 수 있어요 먼저 유사한 질문이 있었는지 검색해보세요 약 일주일남기고 완강했습니다! 지금 이 시점에서 강의 커리큘럼에 있는 기출을 다시 복습하는게 나을까요? 아니면 캐글가서 1~3작업형을 새롭게 풀어보는 것이 나을까요? 아니면 캐글에서 꼭 이부분만은 우선적으로 봐야한다가 있을까요? 완강은 했지만 얼마 안남아서 걱정입니다
cross_val_score를 활용해서 rmse 평가를 시도해보았습니다. SCORERS에서 가장 유사하다고 판단되는 'neg_root_mean_squared_error' 를 활용하였고, 음수로 나타난 값들을 얻었습니다. cross_val_score 함수는 값이 클 수록 좋은 모델임을 의미하므로, 보다 더 큰 값(더 작은 음수값)을 뱉는 모델을 찾아야 하는 것인지, 혹은, RMSE 정의에 따라 에러값이 더 작은 값(더 큰 음수값)을 뱉는 모델을 찾아야 하는 것인지 문의를 드립니다. 예를 들어, cross_val 평균 측정값이 #rf1 -399521.89795809553 #rf6 -377713.996299675 일 때, rf1과 rf6 중 어느 모델을 선택하는 것이 맞는지 궁금합니다.
dcols = train.select _dtypes(include='O').columns ncol s = train.se lect_dtypes(exclude='O').columns 위처럼 데이터를 인코딩과 스케일링 작업하기 전에 수치형, 오브젝트의 컬럼명을 변수에 미리 저장해 놓고, 아래처럼 분리 없이 스케일링과 인코딩 작업을 진행해도 되는지 궁금합니다. 동작은 제대로 하는 것 같아서 굳이 분리해야 하나 의문이 들어 질문 드립니다. 라벨인코딩과 스탠다드 스케일러를 둘 다 사용한다고 가정했을 때 입니다. from sklearn.preprocessing import StandardScaler scale = StandardScaler() train[ncols] = scale.fit _transform(train[ncols]) test[ncols] = scale.fi t_transform(test[ncols]) from sklearn.preprocessing import LabelEncoder le = LabelEncoder() for col in dcols: train[col] = le.fit _transform(train[col]) test[col] = le.fit _transform(test[col])
범주형 데이터를 Feature engineering 할때 train과 test가 같은 피처의 범주가 다를 경우 합친 후 get_dummies를 통해 한번에 진행해주셧는데요. 만약에 LabelEncode로 진행할 경우 Train에서는 fit_transform 을 하고 test에서 transform 만하는데 all_df로 합친후 어떻게 하면 되나요?
df = df['month'].value_counts() 이런식으로 values_counts로 구하는 방법이 있을까요? 또 빅분기 실기 시험 채점(?) 방식에 대해서도 궁금한게, 저런식으로 value_counts()를 하면 정답이 바로 눈에 보이잖아요! 그럼 그 정답을 바로 print(11)로 해도 인정이 되는지 궁금합니다
