BASHA TECH

1. 벡터의 내적 1) 내적의 정의 : 정사영시켜서 곱한 것 - 수직 조건 - 평행 조건 2) 내적의 성분에 의한 표시 (유클리드 내적) 3) 두 벡터의 사잇각 4) 벡터의 행렬표현 및 내적의 행렬 표현 5) 직교 행렬의 특징 - 내적 불변의 성질 - 크기 불변의 성질 2. 내적의 기본 성질 1) 교환법칙 2) 실수와의 곱 3) 분배 법칙 4) 같은 벡터의 내적 3. 행렬, 다항식 및 함수의 내적 - 함수의 내적의 정의 : 내적, 노음 4. 정사영 및 정사영 벡터 - 벡터 공간으로의 정사영 벡터 - 수직한 벡터와 최단거리 5. 정사영 정리 - 직교 집합 : 서로 다른 임의의 두 벡터가 모두 수직할 때, 이 집합을 직교 집합이라 한다. - 정규 직교 집합 : 모든 벡터끼리 수직이고, 노음이 1인 벡터들의 ..

terminal > conda install py-xgboost xg boost 버전 확인 import xgboost print(xgboost.__version__) conda install lightgbm /////////////////////////// conda update -n base -c defaults conda light gbm 버전 확인 import lightgbm print(lightgbm.__version__)

1. 벡터 및 스칼라 1) 벡터의 정의 및 크기 : 크기와 방향을 갖는 물리량 - 기본 벡터로 표현 - 기본 벡터로 표현 - 벡터의 크기 (norm = 크기) 2) 스칼라의 정의 : 크기만을 갖는 물리량 3) 단위 벡터 : 크기가 1인 벡터 4) 영벡터와 역벡터 - 영벡터 : 크기가 0인 벡터이고 한 점으로 나타내어진다. 즉, 시점과 종점이 같은 벡터이다. - 역벡터 : 크기는 같고 방향이 정반대인 벡터. 2. 벡터의 연산 1) 성분이 주어지지 않은 경우의 연산 - 벡터의 합 : 삼각형의 법칙, 평행사변형의 법칙 - 벡터의 차 2) 벡터의 성분에 의한 연산 - 벡터의 합과 차, 상등, 실수배 3. 벡터의 특성 1) 방향비 - 방향각의 정의 : 벡터 a가 양의 x, y, z 축과 이루는 각 (α, β, γ..

앙상블 학습의 유형은 3가지로 나누어진다. Voting, Bagging, Boosting 보팅과 배깅은 여러개의 분류기(앙상블)가 투표를 통해 최정 예측 결과를 결정하는 방식이다. 차이점은 보팅(Voting) => 일반적으로 서로 다른 알고리즘을 가진 분류기를 결합 보팅 유형 - Soft Voting : 확률(따라서 오차가 나온다.) predict_proba / 비슷하게 Softmax 알고리즘이 있음 (각각의 오차를 구하는 알고리즘) - Hard Voting : 다수결 배깅(Bagging) => 각각의 분류기가 모두 같은 유형의 알고리즘 기반이지만, 데이터 샘플링을 서로 다르게 가져가면서 학습을 수행해 보팅을 수행함. 대표적인 배깅 방식이 바로 랜덤 포레스트 알고리즘(RF)임. 주로 이걸 더 많이 씀. ..

n개의 변수를 갖는 m개의 방정식으로 이루어진 것 => 선형 연립방정식 제차 연립방정식은 위 사진을 기준으로 하면, b가 싹 다 0인 것. 비제차 연립방정식은 m개의 b 중 하나라도 0이 아니면 됨. 1. 비제차 선형 연립 방정식 1) 역행렬 이용 2) 크래머 공식 3) 가우스-조단 소거법 2. 제차 선형 연립 일차방정식의 해 1) 제차 연립 방정식의 그래프 : 선형 연립 방정식의 그래프는 두 직선을 나탬, 그리고 두 직선은 무조건 원점을 지나는 직 선이다 (즉, y절편 = 0) 2) 제차 연립 방ㅈㅇ식의 해 1) ab - bc =/= 0 : 오직 하나 해 (자명한 해) 2) ab - bc = 0 : 무수히 많은 해 (부정) , 자명한 해 이외의 해를 갖는다. 3. 행렬의 계수 (rank) 1) 행렬의 ..

1. 분류(Classification)의 개요 2. 결정 트리 - 결정 트리 모델의 특징 - 결정 트리 파라미터 - 결정 트리 모델의 시각화 - 결정 트리 과적합(Overfitting) - 결정 트리 실습 - 사용자 행동 인식 데이터 세트 3. 앙상블 학습 - 앙상블 학습 개요 - 보팅 유형 - 하드 보팅(Hard Voting)과 소프트 보팅(Soft Voting) - 보팅 분류기(Voting Classifier) 4. 랜덤 포레스트 - 랜덤 포레스트의 개요 및 실습 - 랜덤 포레스트 하이퍼 파라미터 및 튜닝 - GBM의 개요 및 실습 5. GBM(Gradient Boosting Machine) - GBM 하이퍼 파라미터 소개 - XGBoost 개요 6. XGBoost(eXtra Gradient Boos..

# 데이터 로딩, 확인 import pandas as pd import numpy as np import matplotlib.pyplot as plt # feature 확인 feature_name_df = pd.read_csv( "../data/human_activity/features.txt" , header = None , sep = '\s+' # white space => 공백, \, \t , names = ['column_indext', 'column_name'] ) feature_name_df.head() # 컬럼명을 10개 추출 type(feature_name_df.iloc[:,1]) feature_name_df.iloc[:,1][:10] # 중복 여부 확인 feature_dup_df = fe..

1. 영 행렬 : 모든 원소가 0인 행렬, 기호 O 2. 전치 행렬 : 행과 열을 바꾼 행렬 (transpose matrix), 기호 A transpose 3. 단위 행렬 : 주대각선의 원소가 1인 행렬, 기호 E or I 4. 삼각 행렬 : 주대각선 원소의 위 or 아래에 있는 원소가 모두 0인 정방행렬, 삼각행렬의 행렬식 값은 주대각선 원소의 곱 5. 대각 행렬 :주대각선 원소를 제외하고 모든 원소들이 0인 정방행렬, 대각 행렬의 행렬식 값은 주대각선 원소의 곱 6. 스칼라 행렬 : 주대각선이 모두 같은 수 이고 나머지 모든 원소가 0인 대각행렬, 단위행렬의 실수배임, 기호 kE 7. 멱등 행렬 : 정방행렬 A가 A제고 = AA = A를 만족 할 때, A를 멱등 행렬이라 부름(그 자체가 제곱해질 때 ..

주요 포인트 - 라플라스 전개 => Sarrus 전개 기억 - 소행렬 - 여인수 - 행렬식 성질 => 역행렬 성질도 - 블록 행렬 - 특수한 형식의 행렬 구하는 법 7가지