Python Function

2022-07-06

5주차 : Python Function

  1. 파이썬 함수를 만드는 방법에 대해 알아보십시오.
    1. 함수를 만드는 방법과 사용하는 방법에 대한 기사를 읽으십시오. source
    2. python “main” 기능 및 사용 방법에 대한 기사를 읽으십시오.
  2. 함수 정의: 데이터 로더 함수
    1. 이전에 데이터 세트를 로드하기 위한 명령을 이미 작성했습니다(예: pd.read_csv …)
    2. 이제 여러 csv 파일을 로드하고 DataFrame에 저장하는 함수를 정의합니다(예: def data_loader).
    3. 출력의 기능은 DataFrame입니다.
  3. 기능 정의: 상태 식별 기능
    1. 상태 식별을 위한 이전 코드(작업 번호 2)를 함수로 변경하십시오!
  4. 기능 정의: 운임 유형 식별 기능
    1. 운임 구분을 위한 이전 코드(작업 4번)를 함수로 변경 !
  5. 기능 변환: 데이터 메트릭(데이터 표준화)
    1. “연령”과 “운임”의 값을 표준화(힌트: StandardScaler 기능 사용)
  6. Feature Transformation: 시퀀스 데이터 복구(Ordinal encoding)
    1. “상태 및 요금_유형” 열의 값을 서수로 인코딩합니다(힌트: OrdlinalEncoder 사용).
    2. 결과 표시
  7. 기능 변환: 원핫(One-hot) 인코딩
    1. one-hot 인코딩을 사용하여 “sex, pclass, embarked 및 status” 열의 값을 인코딩합니다(힌트: OneHotEncoder 사용).
    2. 결과 표시
  8. (선택 사항) 데이터 분할: 데이터를 학습 및 테스트 데이터 세트로 분할
    1. 훈련 세트와 테스트 세트가 무엇인지 사전에 읽으십시오(예: 기능이 무엇인지, 대상 레이블이 무엇인지)
    2. 사전 처리된 데이터 세트를 훈련 세트(80%)와 테스트 세트(20%)로 분할합니다(힌트: train_test_split 사용).

과제전. 설치

#!pip install category_encoders

과제전. 라이브러리 불러오기

import pandas as pd
import numpy as np
import sklearn
from category_encoders import OrdinalEncoder
from sklearn.preprocessing import StandardScaler
from category_encoders import OneHotEncoder
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier
from sklearn.metrics import accuracy_score
  1. 파이썬 함수를 만드는 방법에 대해 알아보십시오.
    1. 함수를 만드는 방법과 사용하는 방법에 대한 기사를 읽으십시오. source
    2. python “main” 기능 및 사용 방법에 대한 기사를 읽으십시오.
#def 함수이름(매개변수):
#    <수행할 문장>
#    ...
#    return 결과값

# 다음은 일반 함수의 전형적인 예이다.
#def add(a, b): 
#    result = a + b 
#    return result

#>>> a = add(3, 4)
#>>> print(a)
#7
  1. 함수 정의: 데이터 로더 함수
    1. 이전에 데이터 세트를 로드하기 위한 명령을 이미 작성했습니다(예: pd.read_csv …)
    2. 이제 여러 csv 파일을 로드하고 DataFrame에 저장하는 함수를 정의합니다(예: def data_loader).
    3. 출력의 기능은 DataFrame입니다.
# 데이터 로더 함수 선언
def data_loader():
    # a. 데이터 세트 로드
    pd_read_csv = pd.read_csv('./Documents/titanic-openml_01.csv')
    # b. 데이터 저장
    return pd_read_csv
    
# 데이터 로더 함수 호출
dfs = data_loader()
# c. 출력
pd.DataFrame(dfs)
pclass survived name sex age sibsp parch ticket fare cabin embarked boat body homedest
0 1 1 Allen, Miss. Elisabeth Walton female 29 0 0 24160 211.3375 B5 S 2 ? St Louis, MO
1 1 1 Allison, Master. Hudson Trevor male 0.9167 1 2 113781 151.5500 C22 C26 S 11 ? Montreal, PQ / Chesterville, ON
2 1 0 Allison, Miss. Helen Loraine female 2 1 2 113781 151.5500 C22 C26 S ? ? Montreal, PQ / Chesterville, ON
3 1 0 Allison, Mr. Hudson Joshua Creighton male 30 1 2 113781 151.5500 C22 C26 S ? 135 Montreal, PQ / Chesterville, ON
4 1 0 Allison, Mrs. Hudson J C (Bessie Waldo Daniels) female 25 1 2 113781 151.5500 C22 C26 S ? ? Montreal, PQ / Chesterville, ON
... ... ... ... ... ... ... ... ... ... ... ... ... ... ...
995 3 0 Markoff, Mr. Marin male 35 0 0 349213 7.8958 ? C ? ? ?
996 3 0 Markun, Mr. Johann male 33 0 0 349257 7.8958 ? S ? ? ?
997 3 1 Masselmani, Mrs. Fatima female ? 0 0 2649 7.2250 ? C C ? ?
998 3 0 Matinoff, Mr. Nicola male ? 0 0 349255 7.8958 ? C ? ? ?
999 3 1 McCarthy, Miss. Catherine 'Katie' female ? 0 0 383123 7.7500 ? Q 15 16 ? ?

1000 rows × 14 columns

  1. 기능 정의: 상태 식별 기능
    1. 상태 식별을 위한 이전 코드(작업 번호 2)를 함수로 변경하십시오!
# age group
def male_female_child(passenger):
    age, sex = passenger
 
    if age < 1:
        return 'Infant'
    elif (age >= 1) and (age < 13):
        return 'Child'
    elif (age >= 13) and (age < 18):
        return 'Teen'
    elif (age >= 18) and (age <= 65):
        return 'Adult'
    elif age > 65:
        return 'Elderly'
    else:
        return sex

def data_loader_status():
    # age가 문자열이라
    dfs['age'] = dfs['age'].replace('?', np.nan).astype(float)
    # status 컬럼 추가
    dfs['status'] = dfs[['age','sex']].apply(male_female_child, axis=1)

data_loader_status()
pd.DataFrame(dfs)
pclass survived name sex age sibsp parch ticket fare cabin embarked boat body homedest status
0 1 1 Allen, Miss. Elisabeth Walton female 29.0000 0 0 24160 211.3375 B5 S 2 ? St Louis, MO Adult
1 1 1 Allison, Master. Hudson Trevor male 0.9167 1 2 113781 151.5500 C22 C26 S 11 ? Montreal, PQ / Chesterville, ON Infant
2 1 0 Allison, Miss. Helen Loraine female 2.0000 1 2 113781 151.5500 C22 C26 S ? ? Montreal, PQ / Chesterville, ON Child
3 1 0 Allison, Mr. Hudson Joshua Creighton male 30.0000 1 2 113781 151.5500 C22 C26 S ? 135 Montreal, PQ / Chesterville, ON Adult
4 1 0 Allison, Mrs. Hudson J C (Bessie Waldo Daniels) female 25.0000 1 2 113781 151.5500 C22 C26 S ? ? Montreal, PQ / Chesterville, ON Adult
... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ...
995 3 0 Markoff, Mr. Marin male 35.0000 0 0 349213 7.8958 ? C ? ? ? Adult
996 3 0 Markun, Mr. Johann male 33.0000 0 0 349257 7.8958 ? S ? ? ? Adult
997 3 1 Masselmani, Mrs. Fatima female NaN 0 0 2649 7.2250 ? C C ? ? female
998 3 0 Matinoff, Mr. Nicola male NaN 0 0 349255 7.8958 ? C ? ? ? male
999 3 1 McCarthy, Miss. Catherine 'Katie' female NaN 0 0 383123 7.7500 ? Q 15 16 ? ? female

1000 rows × 15 columns

  1. 기능 정의: 운임 유형 식별 기능
    1. 운임 구분을 위한 이전 코드(작업 4번)를 함수로 변경 !
# fare group 
def fare_group(price):
    fare = price
 
    if price <= 8:
        return 'economy'
    elif (price > 8) and (price < 30):
        return 'business'
    else:
        return 'president'

def data_loader_fare():
    dfs['fare'] = dfs['fare'].replace('?', np.nan).astype(float)
    dfs['fare_type'] = dfs['fare'].apply(fare_group)

data_loader_fare()
dfs
pclass survived name sex age sibsp parch ticket fare cabin embarked boat body homedest status fare_type
0 1 1 Allen, Miss. Elisabeth Walton female 29.0000 0 0 24160 211.3375 B5 S 2 ? St Louis, MO Adult president
1 1 1 Allison, Master. Hudson Trevor male 0.9167 1 2 113781 151.5500 C22 C26 S 11 ? Montreal, PQ / Chesterville, ON Infant president
2 1 0 Allison, Miss. Helen Loraine female 2.0000 1 2 113781 151.5500 C22 C26 S ? ? Montreal, PQ / Chesterville, ON Child president
3 1 0 Allison, Mr. Hudson Joshua Creighton male 30.0000 1 2 113781 151.5500 C22 C26 S ? 135 Montreal, PQ / Chesterville, ON Adult president
4 1 0 Allison, Mrs. Hudson J C (Bessie Waldo Daniels) female 25.0000 1 2 113781 151.5500 C22 C26 S ? ? Montreal, PQ / Chesterville, ON Adult president
... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ...
995 3 0 Markoff, Mr. Marin male 35.0000 0 0 349213 7.8958 ? C ? ? ? Adult economy
996 3 0 Markun, Mr. Johann male 33.0000 0 0 349257 7.8958 ? S ? ? ? Adult economy
997 3 1 Masselmani, Mrs. Fatima female NaN 0 0 2649 7.2250 ? C C ? ? female economy
998 3 0 Matinoff, Mr. Nicola male NaN 0 0 349255 7.8958 ? C ? ? ? male economy
999 3 1 McCarthy, Miss. Catherine 'Katie' female NaN 0 0 383123 7.7500 ? Q 15 16 ? ? female economy

1000 rows × 16 columns

  1. 기능 변환: 데이터 메트릭(데이터 표준화)
    1. “연령”과 “운임”의 값을 표준화(힌트: StandardScaler 기능 사용)
from sklearn.preprocessing import MinMaxScaler

dfs_ageFare = dfs[['age','fare']]

# StandardScaler객체 생성
scaler = StandardScaler()
# StandardScaler 로 데이터 셋 변환. fit( ) 과 transform( ) 호출.  
scaler.fit(dfs_ageFare)
output = scaler.transform(dfs_ageFare)

dfs_ageFare = pd.DataFrame(output, columns=dfs_ageFare.columns, index=list(dfs_ageFare.index.values))
dfs_ageFare
age fare
0 -0.144838 2.995777
1 -2.096433 1.954819
2 -2.021151 1.954819
3 -0.075345 1.954819
4 -0.422810 1.954819
... ... ...
995 0.272121 -0.546341
996 0.133135 -0.546341
997 NaN -0.558020
998 NaN -0.546341
999 NaN -0.548879

1000 rows × 2 columns

  1. Feature Transformation: 시퀀스 데이터 복구(Ordinal encoding)
    1. “상태 및 요금_유형” 열의 값을 서수로 인코딩합니다(힌트: OrdlinalEncoder 사용).
      1. 여기에서 OrdlinalEncoder 이란?
        1. Categorical feature(범주형 특성)에 대한 순서형 코딩이라고 하며, 각 범주들을 특성으로 변경하지 않고, 그 안에서 1,2,3 등의 숫자로 변경하는 방법이다
        2. 범주가 너무 많아 one hot encoding을 하기 애매한 상황에서 이용하기 좋은 인코딩 방법이다.
        3. 또한 트리모델은 중요한 feature가 상위 노드를 점하여 분할을 하게 되는데, one hot encoding을 한 특성은 뽑히기에 불리한 상태가 되므로 대안으로 Ordinal Encoding을 한다.
        4. 설치는 옆과 같이 작성하면 된다. !pip install category_encoders
        5. import 는 옆과 같이 작성하면 된다. from category_encoders import OrdinalEncoder
    2. 결과 표시
enc1 = OrdinalEncoder(cols = ['age', 'fare'])
dfs = enc1.fit_transform(dfs)
dfs
pclass survived name sex age sibsp parch ticket fare cabin embarked boat body homedest status fare_type
0 1 1 Allen, Miss. Elisabeth Walton female 1 0 0 24160 1 B5 S 2 ? St Louis, MO Adult president
1 1 1 Allison, Master. Hudson Trevor male 2 1 2 113781 2 C22 C26 S 11 ? Montreal, PQ / Chesterville, ON Infant president
2 1 0 Allison, Miss. Helen Loraine female 3 1 2 113781 2 C22 C26 S ? ? Montreal, PQ / Chesterville, ON Child president
3 1 0 Allison, Mr. Hudson Joshua Creighton male 4 1 2 113781 2 C22 C26 S ? 135 Montreal, PQ / Chesterville, ON Adult president
4 1 0 Allison, Mrs. Hudson J C (Bessie Waldo Daniels) female 5 1 2 113781 2 C22 C26 S ? ? Montreal, PQ / Chesterville, ON Adult president
... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ...
995 3 0 Markoff, Mr. Marin male 23 0 0 349213 169 ? C ? ? ? Adult economy
996 3 0 Markun, Mr. Johann male 33 0 0 349257 169 ? S ? ? ? Adult economy
997 3 1 Masselmani, Mrs. Fatima female 16 0 0 2649 172 ? C C ? ? female economy
998 3 0 Matinoff, Mr. Nicola male 16 0 0 349255 169 ? C ? ? ? male economy
999 3 1 McCarthy, Miss. Catherine 'Katie' female 16 0 0 383123 180 ? Q 15 16 ? ? female economy

1000 rows × 16 columns

  1. 기능 변환: 원핫(One-hot) 인코딩

    1. one-hot 인코딩을 사용하여 “sex, pclass, embarked 및 status” 열의 값을 인코딩합니다(힌트: OneHotEncoder 사용).

      1. 여기에서 OnHot 인코딩이란?
        1. ‘여자’, ‘남자’처럼 순위도 연속성도 없다면 반드시 다른 의미로의 수치값으로 변환해야 하는데, 그 변환을 OrdinalEncoder 이라고 합니다.
      2. 여기에서 OrdinalEncoder는 범주형 데이터를 희소행렬(Sparse Matrix)로 그 결과를 반환합니다.
        1. 다시 이 희소행렬을 OneHot 인코딩을 시키기 위해 아래의 코드를 수행합니다.
        2. import 는 옆과 같이 작성하면 된다. from category_encoders import OneHotEncoder

    2. 결과 표시

enc = OneHotEncoder(cols = ['sex', 'pclass', 'embarked', 'status'], use_cat_names = True)
dfs = enc.fit_transform(dfs)
dfs
pclass_1.0 pclass_2.0 pclass_3.0 survived name sex_female sex_male age sibsp parch ... body homedest status_Adult status_Infant status_Child status_Elderly status_male status_Teen status_female fare_type
0 1 0 0 1 Allen, Miss. Elisabeth Walton 1 0 1 0 0 ... ? St Louis, MO 1 0 0 0 0 0 0 president
1 1 0 0 1 Allison, Master. Hudson Trevor 0 1 2 1 2 ... ? Montreal, PQ / Chesterville, ON 0 1 0 0 0 0 0 president
2 1 0 0 0 Allison, Miss. Helen Loraine 1 0 3 1 2 ... ? Montreal, PQ / Chesterville, ON 0 0 1 0 0 0 0 president
3 1 0 0 0 Allison, Mr. Hudson Joshua Creighton 0 1 4 1 2 ... 135 Montreal, PQ / Chesterville, ON 1 0 0 0 0 0 0 president
4 1 0 0 0 Allison, Mrs. Hudson J C (Bessie Waldo Daniels) 1 0 5 1 2 ... ? Montreal, PQ / Chesterville, ON 1 0 0 0 0 0 0 president
... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ...
995 0 0 1 0 Markoff, Mr. Marin 0 1 23 0 0 ... ? ? 1 0 0 0 0 0 0 economy
996 0 0 1 0 Markun, Mr. Johann 0 1 33 0 0 ... ? ? 1 0 0 0 0 0 0 economy
997 0 0 1 1 Masselmani, Mrs. Fatima 1 0 16 0 0 ... ? ? 0 0 0 0 0 0 1 economy
998 0 0 1 0 Matinoff, Mr. Nicola 0 1 16 0 0 ... ? ? 0 0 0 0 1 0 0 economy
999 0 0 1 1 McCarthy, Miss. Catherine 'Katie' 1 0 16 0 0 ... ? ? 0 0 0 0 0 0 1 economy

1000 rows × 28 columns

  1. (선택 사항) 데이터 분할: 데이터를 학습 및 테스트 데이터 세트로 분할
    1. 훈련 세트와 테스트 세트가 무엇인지 사전에 읽으십시오(예: 기능이 무엇인지, 대상 레이블이 무엇인지)
      1. 훈련 세트
        1. 학습용 데이터
        2. Classification 은 지도학습 방법의 하나로 학습용 데이터로 학습을 함
        3. 그냥 함수를 하나 만드는데, 일반적으로는 사람이 짜야 되지만, 기계가 대신 함수를 짜주는거라고 생각하면 되고
        4. 그 기계가 함수를 짤때, 그냥 맘대로 짜는게 아니라 참조하는 데이터가 있어야 하며, 그 데이터가 학습용 데이터라고 생각하면 편한듯
      2. 테스트 세트
        1. 테스트용 데이터
        2. 학습 데이터로 학습된 모델이 얼마나 뛰어난 성능을 가지는 평가하기 위해 만듬
        3. 그냥 위에서 기계가 만든 함수의 제대로 된 함수가 맞는지 알아내기 위한 것임
      3. import
        1. 이건 분류할때 쓰는거 같고 from sklearn.model_selection import train_test_split
        2. 이건 학습할때 쓰는거 같음 from sklearn.tree import DecisionTreeClassifier
        3. 이건 정확도 인가? from sklearn.metrics import accuracy_score
    2. 사전 처리된 데이터 세트를 훈련 세트(80%)와 테스트 세트(20%)로 분할합니다(힌트: train_test_split 사용).
dfs.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 1000 entries, 0 to 999
Data columns (total 28 columns):
 #   Column          Non-Null Count  Dtype 
---  ------          --------------  ----- 
 0   pclass_1.0      1000 non-null   int64 
 1   pclass_2.0      1000 non-null   int64 
 2   pclass_3.0      1000 non-null   int64 
 3   survived        1000 non-null   int64 
 4   name            1000 non-null   object
 5   sex_female      1000 non-null   int64 
 6   sex_male        1000 non-null   int64 
 7   age             1000 non-null   int32 
 8   sibsp           1000 non-null   int64 
 9   parch           1000 non-null   int64 
 10  ticket          1000 non-null   object
 11  fare            1000 non-null   int32 
 12  cabin           1000 non-null   object
 13  embarked_S      1000 non-null   int64 
 14  embarked_C      1000 non-null   int64 
 15  embarked_?      1000 non-null   int64 
 16  embarked_Q      1000 non-null   int64 
 17  boat            1000 non-null   object
 18  body            1000 non-null   object
 19  homedest        1000 non-null   object
 20  status_Adult    1000 non-null   int64 
 21  status_Infant   1000 non-null   int64 
 22  status_Child    1000 non-null   int64 
 23  status_Elderly  1000 non-null   int64 
 24  status_male     1000 non-null   int64 
 25  status_Teen     1000 non-null   int64 
 26  status_female   1000 non-null   int64 
 27  fare_type       1000 non-null   object
dtypes: int32(2), int64(19), object(7)
memory usage: 211.1+ KB

# 오류가 계속 생겨 object는 제거함
df_x_data = dfs.drop(['age', 'name', 'homedest', 'fare_type', 'ticket', 'cabin', 'boat', 'body'],axis=1)
# y값이면 나이를 예측 해보고자 하는 거 같음
df_y_data = dfs['age']

X_train, X_test, y_train, y_test = train_test_split(df_x_data, df_y_data, 
                                                    test_size=0.2, random_state=11)

print('X_train')
print(X_train)

print('----------------------------------------------------------')

print('X_test')
print(X_test)

print('----------------------------------------------------------')

print('y_train')
print(y_train)

print('----------------------------------------------------------')

print('y_test')
print(y_test)

print('----------------------------------------------------------')

# DecisionTreeClassifier 객체 생성 
dt_clf = DecisionTreeClassifier(random_state=11)

# 학습 수행 
dt_clf.fit(X_train, y_train)

# 학습이 완료된 DecisionTreeClassifier 객체에서 테스트 데이터 세트로 예측 수행. 
pred = dt_clf.predict(X_test)

print('예측 정확도: {0:.4f}'.format(accuracy_score(y_test,pred)))

X_train
     pclass_1.0  pclass_2.0  pclass_3.0  survived  sex_female  sex_male  \
832           0           0           1         0           1         0   
797           0           0           1         0           0         1   
49            1           0           0         1           0         1   
867           0           0           1         1           1         0   
514           0           1           0         1           0         1   
..          ...         ...         ...       ...         ...       ...   
337           0           1           0         1           1         0   
91            1           0           0         1           0         1   
80            1           0           0         0           0         1   
703           0           0           1         0           0         1   
921           0           0           1         0           0         1   

     sibsp  parch  fare  embarked_S  embarked_C  embarked_?  embarked_Q  \
832      1      6   211           1           0           0           0   
797      0      0   180           0           0           0           1   
49       0      1    33           0           1           0           0   
867      1      1   219           1           0           0           0   
514      1      1    18           1           0           0           0   
..     ...    ...   ...         ...         ...         ...         ...   
337      1      0    18           1           0           0           0   
91       1      0    48           1           0           0           0   
80       0      0     3           1           0           0           0   
703      0      0   180           0           0           0           1   
921      0      0   156           1           0           0           0   

     status_Adult  status_Infant  status_Child  status_Elderly  status_male  \
832             1              0             0               0            0   
797             1              0             0               0            0   
49              1              0             0               0            0   
867             1              0             0               0            0   
514             0              0             1               0            0   
..            ...            ...           ...             ...          ...   
337             1              0             0               0            0   
91              1              0             0               0            0   
80              0              0             0               0            1   
703             1              0             0               0            0   
921             0              0             0               0            1   

     status_Teen  status_female  
832            0              0  
797            0              0  
49             0              0  
867            0              0  
514            0              0  
..           ...            ...  
337            0              0  
91             0              0  
80             0              0  
703            0              0  
921            0              0  

[800 rows x 20 columns]
----------------------------------------------------------
X_test
     pclass_1.0  pclass_2.0  pclass_3.0  survived  sex_female  sex_male  \
25            1           0           0         0           0         1   
464           0           1           0         0           0         1   
372           0           1           0         0           0         1   
730           0           0           1         0           0         1   
757           0           0           1         1           1         0   
..          ...         ...         ...       ...         ...       ...   
278           1           0           0         1           0         1   
449           0           1           0         1           1         0   
221           1           0           0         0           0         1   
741           0           0           1         0           0         1   
572           0           1           0         1           1         0   

     sibsp  parch  fare  embarked_S  embarked_C  embarked_?  embarked_Q  \
25       0      0    18           0           1           0           0   
464      0      0   111           1           0           0           0   
372      1      0    18           1           0           0           0   
730      0      0   169           1           0           0           0   
757      1      0   183           1           0           0           0   
..     ...    ...   ...         ...         ...         ...         ...   
278      0      0    26           0           1           0           0   
449      1      3   121           1           0           0           0   
221      0      1    93           0           1           0           0   
741      0      0   172           0           1           0           0   
572      0      0   149           1           0           0           0   

     status_Adult  status_Infant  status_Child  status_Elderly  status_male  \
25              1              0             0               0            0   
464             1              0             0               0            0   
372             1              0             0               0            0   
730             1              0             0               0            0   
757             0              0             0               0            0   
..            ...            ...           ...             ...          ...   
278             1              0             0               0            0   
449             1              0             0               0            0   
221             1              0             0               0            0   
741             1              0             0               0            0   
572             1              0             0               0            0   

     status_Teen  status_female  
25             0              0  
464            0              0  
372            0              0  
730            0              0  
757            0              1  
..           ...            ...  
278            0              0  
449            0              0  
221            0              0  
741            0              0  
572            0              0  

[200 rows x 20 columns]
----------------------------------------------------------
y_train
832    50
797    85
49     19
867    28
514     3
       ..
337    22
91     46
80     16
703    54
921    16
Name: age, Length: 800, dtype: int32
----------------------------------------------------------
y_test
25      5
464    18
372     1
730    40
757    16
       ..
278    18
449    48
221    56
741    82
572    24
Name: age, Length: 200, dtype: int32
----------------------------------------------------------
예측 정확도: 0.1900

정확도 0.19라면 엄청 구데기인듯…

results matching ""

    No results matching ""

    카탈로그

    최근글

    99 other / uml

    04 react / JSX