pbj0812의 코딩 일기

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 - 육각형 모양의 방사형 차트 구현 1. 플로우 차트 - cos, sin으로 각 좌표의 x, y 좌표 계산 - 육각형을 세우기 위하여 30도씩 빼줌 2. 구현 1) library 호출 import matplotlib.pyplot as plt import numpy as np 2) 제곱근 def sqrt(inp): result = inp/2 for i in range(30): result = (result + (inp / result)) / 2 return result 3) 좌표 계산 - 마지막에는 처음의 좌표를 한번 더 넣어 그림을 그릴때 끝 부분을 이어지게 만들어줌 def honeycomb_list(inp): result_x = [] result_y = [] for i in range(6):..

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 - PyQt 를 활용하여 정해진 반복횟수 만큼 주어진 작업을 반복하는 앱 제작 1. 플로우 차트 2. 실습 1) library 호출 import sys from PyQt5.QtWidgets import * 2) class 및 함수 생성 (1) initUI - 버튼 생성 - 버튼 위치 생성 - le 의 결과는 buttonClick 으로 보내버림 (2) buttonClick - 1번 라디오 버튼이 클릭된 상태면 1 출력, 2번 라디오 버튼이 클릭된 상태면 2 출력 - 이를 push 버튼(btn)과 연결 - le 에서 받은 값을 변수로 만들어 반복문의 반복 횟수로 사용 class MyApp(QWidget): def __init__(self): super().__init__() self.initUI(..