pbj0812의 코딩 일기

0. 목표 - PYTHON 을 통한 자카드 유사도 구현 1. 실습 1) 데이터 생성 data1 = 'I am a boy' data2 = 'I am a girl' 2) 자카드 유사도 계산 모듈 구현 - set 을 통한 중복 단어 제거 - 자카드 유사도 : 교집합의 길이 / 합집합의 길이 # inp1 : data1 # inp2 : data2 def JaccardSimilarity(inp1, inp2): list_inp1 = inp1.split() list_inp2 = inp2.split() mom = set(list_inp1).union(set(list_inp2)) son = set(list_inp1).intersection(set(list_inp2)) print(mom) print(son) return l..

0. 목표 - python을 통한 코사인 유사도 구현 1. 실습 1) library 호출 from numpy import dot import numpy as np 2) 데이터 생성 data1 = np.array([1, 1]) data2 = np.array([-1, -1]) data3 = np.array([1, -1]) 3) L2 계산 모듈 구현 # inp 은 array 형태 def L2(inp): result = 0 for i in inp: result += i ** 2 return np.sqrt(result) 4) 코사인 유사도 계산 모듈 구현 def cos_sim(inp1, inp2): return dot(inp1, inp2)/(L2(inp1) * L2(inp2)) 2. 테스트 1) 코사인 유사도 1..

0. 목표 - PYTHON 으로 norm 구현하기 1. 실습 1) L1 norm (0) 이론 (1) library 호출 import numpy as np (2) 데이터 생성 data = np.array([-2, 3]) (3) L1 계산 모듈 구현 # inp 은 array 형태 def L1(inp): result = sum(abs(inp)) return result (4) 테스트 - 결과 : 5 print(L1(data)) 2) L2 norm (0) 이론 (1) L2 계산 모듈 구현 # inp 은 array 형태 def L2(inp): result = 0 for i in inp: result += i ** 2 return np.sqrt(result) (2) 테스트 - 결과 : 3.60555127546398..

0. 목표 - PYTHON 을 통한 AUPRC 구현 및 sklearn 과 비교 1. 스크래치 실습 1) library 호출 import pandas as pd import matplotlib.pyplot as plt 2) 데이터 생성 index = [i for i in range(1, 21)] label = ['p', 'p', 'n', 'p', 'p', 'p', 'n', 'n', 'p', 'n', 'p', 'n', 'p', 'n', 'n', 'n', 'p', 'n', 'p', 'n'] probability = [0.9, 0.8, 0.7, 0.6, 0.55, 0.54, 0.53, 0.52, 0.51, 0.505, 0.4, 0.39, 0.38, 0.37, 0.36, 0.35, 0.34, 0.33, 0.3, ..

0. 목표 - PYTHON 을 통한 P-R 곡선 구현 1. 실습 1) library 호출 import pandas as pd import matplotlib.pyplot as plt 2) 데이터 생성 index = [i for i in range(1, 21)] label = ['p', 'p', 'n', 'p', 'p', 'p', 'n', 'n', 'p', 'n', 'p', 'n', 'p', 'n', 'n', 'n', 'p', 'n', 'p', 'n'] probability = [0.9, 0.8, 0.7, 0.6, 0.55, 0.54, 0.53, 0.52, 0.51, 0.505, 0.4, 0.39, 0.38, 0.37, 0.36, 0.35, 0.34, 0.33, 0.3, 0.1] 3) 데이터 프레임화 da..

0. 목표 - PYTHON을 이용한 AUC 계산 1. 실습 1) library 호출 import pandas as pd import matplotlib.pyplot as plt 2) 데이터 생성 index = [i for i in range(1, 21)] label = ['p', 'p', 'n', 'p', 'p', 'p', 'n', 'n', 'p', 'n', 'p', 'n', 'p', 'n', 'n', 'n', 'p', 'n', 'p', 'n'] probability = [0.9, 0.8, 0.7, 0.6, 0.55, 0.54, 0.53, 0.52, 0.51, 0.505, 0.4, 0.39, 0.38, 0.37, 0.36, 0.35, 0.34, 0.33, 0.3, 0.1] 3) 데이터 프레임화 data ..

0. 목표 - ROC 곡선 그리기 1. 실습 1) library 호출 import pandas as pd import matplotlib.pyplot as plt 2) 데이터 생성 index = [i for i in range(1, 21)] label = ['p', 'p', 'n', 'p', 'p', 'p', 'n', 'n', 'p', 'n', 'p', 'n', 'p', 'n', 'n', 'n', 'p', 'n', 'p', 'n'] probability = [0.9, 0.8, 0.7, 0.6, 0.55, 0.54, 0.53, 0.52, 0.51, 0.505, 0.4, 0.39, 0.38, 0.37, 0.36, 0.35, 0.34, 0.33, 0.3, 0.1] 3) 데이터 프레임화 data = pd.Dat..

0. 목표 - PYTHON을 이용한 RMSE, MAPE 구현 및 데이터에 따른 결과 비교 1. 실습 1) library 호출 import matplotlib.pyplot as plt 2) 제곱근 함수 def sqrt(inp): result = inp/2 for i in range(30): result = (result + (inp / result)) / 2 return result 3) RMSE # inp1 : real # inp2 : esti def rmse(inp1, inp2): result = 0 for i in range(len(inp1)): result += (inp1[i] - inp2[i]) ** 2 result = sqrt(result / len(inp1)) return result 4) M..

0. 목표 - python을 통한 범주형 피처 처리(클래스, 이진법, 원핫인코딩) 1. 실습 1) library 호출 import pandas as pd import copy 2) 데이터 생성 data = ['A', 'B', 'AB', 'O'] 3) 클래스 ID 모듈 def class_id(inp): result = [] for i in range(len(inp)): result.append(i + 1) return result - 확인 print(class_id(data)) # 결과 [1, 2, 3, 4] 4) 이진법 표현 (1) 최대 몫 구하기 - 인풋을 넣으면 결과값으로 해당 인풋을 2로 나눌 수 있는 최대의 몫 도출 def from_ten_int2(inp): i = 0 while 2 ** i 0:..

0. 목표 - python scatter plot을 이용한 구 그리기 1. 실습 1) library 호출 import numpy as np import matplotlib.pyplot as plt 2) 데이터 생성 x = np.linspace(-1, 1, 101) y = np.linspace(-1, 1, 101) 3) 격자 데이터 생성 X, Y = np.meshgrid(x, y) 4) 격자 확인 fig = plt.figure() fig.set_size_inches(15, 15) plt.scatter(X, Y) 5) Z 생성 함수 - z = 1 - (x^2 + y^2) - 뒤가 더 클 경우엔 nan으로 저장 def Z_fun(x, y): result = np.sqrt(1 - (x ** 2 + y ** 2)..