혹시 모든 문제를 풀어보셨나요?
그렇다면 작업형 2번 (3번 문제)에서 날짜 데이터 파생 변수 생성에도 도전해보세요!아직 거기까지 오지 않으셨다면, 새로운 내용에 욕심 내기보다는 지금까지 공부한 내용을 차근차근 정리하는 것을 추천합니다.
날짜 파생변수 (요일/월/주말) — train, test 둘 다 똑같이! train['date'] = pd.to_datetime(train['date']) train['dayofweek'] = train['date'].dt.dayofweek # 요일(월=0~일=6) train['month'] = train['date'].dt.month # 월(1~12) train['is_weekend'] = (train['date'].dt.dayofweek >= 5).astype(int) test['date'] = pd.to_datetime(test['date']) test['dayofweek'] = test['date'].dt.dayofweek test['month'] = test['date'].dt.month test['is_weekend'] = (test['date'].dt.dayofweek >= 5).astype(int)화이팅입니다!
이번 데이터에 주의 깊게 보셔야할 부분은
전체 데이터(주석 5번) 학습입니다. 비교 후 전체 학습 코드를 넣어놨습니다. 결과를 비교해 보시죠!
파라미터(class_weight, 하이퍼파라미터 등)는 무조건 추가/변경한다고 좋아지지 않는다. 검증셋으로 직접
비교해서 채택 여부를 정해야 합니다.
시험 상황에서 파라미터 판단하기 애매하면 기본값 (설정하지 않은 상태)로 가시죠. 안정적인게 중요할 것 같습니다!
무조건 전체 데이터 학습도 좋습니다!
코딩팡(https://code.sideonai.com/)에 작업형 2 문제 업데이트 했습니다.
빅이시 강의 부분에 모든 코드에 lightgbm 추가했습니다. (
코딩팡 장업형2 베이스 라인 안내드려요. EDA부분은 제외했습니다.
1번 문제
import pandas as pd # 1) 데이터 불러오기 train = pd.read_csv('data/car_train.csv') test = pd.read_csv('data/car_test.csv') # 2) 범주형 변수 원-핫 인코딩 target = train.pop('target') print(train.shape, test.shape) train = pd.get_dummies(train) test = pd.get_dummies(test) print(train.shape, test.shape) # 3) 검증용 분리 (제출 전 성능 비교) from sklearn.model_selection import train_test_split X_tr, X_val, y_tr, y_val = train_test_split(train, target, test_size=0.2, random_state=0, stratify=target) # 4) 세 가지 모델 학습 from sklearn.ensemble import RandomForestClassifier rf = RandomForestClassifier(random_state=0) rf.fit(X_tr, y_tr) pred = rf.predict(X_val) from sklearn.metrics import f1_score print(f1_score(y_val, pred, average='macro')) from lightgbm import LGBMClassifier lgb = LGBMClassifier(random_state=0, verbose=-1) lgb.fit(X_tr, y_tr) pred = lgb.predict(X_val) print(f1_score(y_val, pred, average='macro')) from xgboost import XGBClassifier xgb = XGBClassifier(random_state=0, verbosity=0) xgb.fit(X_tr, y_tr) pred = xgb.predict(X_val) print(f1_score(y_val, pred, average='macro')) # 5) 선택한 모델을 전체 train으로 다시 학습 후 test 예측 (선택) # lgb.fit(train, target) # pred = lgb.predict(test) # 6) 제출 파일 저장 (pred 컬럼 1개만, index 제거) result = pd.DataFrame({'pred': pred}) result.to_csv('result.csv', index=False) # 제출파일 확인 print("\n ===== 제출파일 (샘플) =====") print(pd.read_csv("result.csv").head()) print("\n ===== 제출파일 (크기 확인) =====") print(pd.read_csv("result.csv").shape)2번 문제
import pandas as pd # 1) 데이터 불러오기 train = pd.read_csv('data/bike_train.csv') test = pd.read_csv('data/bike_test.csv') # 2) 범주형 변수 원-핫 인코딩 target = train.pop('count') print(train.shape, test.shape) train = pd.get_dummies(train) test = pd.get_dummies(test) print(train.shape, test.shape) # 3) 검증용 분리 (제출 전 성능 비교) from sklearn.model_selection import train_test_split X_tr, X_val, y_tr, y_val = train_test_split(train, target, test_size=0.2, random_state=0) # 4) 세 가지 모델 학습 from sklearn.ensemble import RandomForestRegressor rf = RandomForestRegressor(random_state=0) 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)) from lightgbm import LGBMRegressor lgb = LGBMRegressor(random_state=0, verbose=-1) lgb.fit(X_tr, y_tr) pred = lgb.predict(X_val) print(root_mean_squared_error(y_val, pred)) from xgboost import XGBRegressor xgb = XGBRegressor(random_state=0, verbosity=0) xgb.fit(X_tr, y_tr) pred = xgb.predict(X_val) print(root_mean_squared_error(y_val, pred)) # 5) 선택한 모델을 전체 train으로 다시 학습 후 test 예측 (선택) # lgb.fit(train, target) # pred = lgb.predict(test) # 6) 제출 파일 저장 (pred 컬럼 1개만, index 제거) result = pd.DataFrame({'pred': pred}) result.to_csv('result.csv', index=False) # 제출파일 확인 print("\n ===== 제출파일 (샘플) =====") print(pd.read_csv("result.csv").head()) print("\n ===== 제출파일 (크기 확인) =====") print(pd.read_csv("result.csv").shape)작업형1, 작업형3 모의문제를 업데이트했어요! 🎉
시험 환경과 최대한 비슷하게 풀 수 있도록 코딩팡 사이트를 만들었는데요, 거기에 새 문제들을 올렸습니다.
실제 시험처럼 코드를 직접 짜면서 풀 수 있으니, 꼭 들어와서 연습해보세요 😊 시험 꼭 합격하길 바랍니다!
👉 코딩팡 링크: code.sideonai.com
아직 베타 버전이라 혹시 버그가 있다면 알려주세요!
시험이 일주일 앞으로 다가왔네요.
빅분기 준비 라이브 일주일 전 모임(6.13) 녹화본을 공유합니다.
한 시간 짜리라 빠른 배속으로 한번 쭉 훑어보세요!
모두 화이팅입니다 :)
(전체 강의 시간으로 12회 시험 후 삭제예정)
