이누의 개발성장기

오차행렬 TN : 예측값을 Negative 값 0으로 예측했고 실제 값은 역시 Negative 값 0 FP : 예측값을 Positive 값 1로 예측 했는데 실제 값은 Negative 값 0 FN : 예측값을 Negative 값 0으로 예측했는데, 실제 값은 Positive 값 1 TP : 예측값을 Positive 값 1로 예측했는데 실제 값 역시 Positive 값 1 학습에 사용된 분류모델이 얼마나 혼란스러워하고 있는지 판단 할 수 있는 지표 confusion_matrix() confusion_matrix(y_true, y_pred) y_true : 정답 y_pred : 예측 결과 사용 예시 from sklearn.model_selection import train_test_split from skl..

검증 데이터 세트 기존엔 단순히 학습 데이터 세트와 테스트 데이터 세트로 데이터를 나눴다. 만약 매개변수를 조정하기 위해 테스트 세트를 사용하면 추후 모델 평가에 테스트 세트를 더 이상 사용할 수 없다. 즉, 평가를 위해 모델을 만들 때 사용하지 않은 독립된 데이터셋이 필요하다. 데이터를 세 개의 세트로 나눠 이 문제를 해결 학습 데이터 세트 : 모델을 작성 검증 데이터 세트 : 모델의 매개변수 선택 테스트 데이터 세트 : 모델의 성능 평가 그리드서치 사용자가 관심있는 매개변수 전체를 대상으로 가능한 모든 조합을 시도해보는 것이다. # 매개변수 그리드 param_grid = {'C': [0.001, 0.01, 0.1, 1, 10, 100], 'gamma': [0.001, 0.01, 0.1, 1, 10, ..

set_option import pandas as pd pd.set_option('display.max_columns', 6) pd.set_option('display.width', 300) 가끔 pd로 데이터를 다루다가 출력양이 너무 많아 다음줄로 넘어가는 경우가 있다. (상당히 가시성이 떨어진다.) set_option에서 display.max_columns값과 display.width값을 조절해 출력양을 조절할 수 있다. max_columns : columns 개수 조절 width : 가로 너비 출력양 조절

CSS 파일 연결 {% load static %}를 추가하고 head에 를 추가한다. home.css는 css파일이름이고, static은 css파일이 들어있는 폴더이다. templates 폴더가 위치한 app폴더에 static 폴더를 만들어 css파일을 작성하면 된다.

확인 메세지 삭제하기 onclick="return confirm('메시지');" 으로 확인메세지를 출력할 수 있다. a태그뿐 아니라 button 등 대부분의 클릭가능한 태그에서 사용이 가능하다. 확인을 누르면 해당 작업이 진행되고, 취소를 누르면 진행되지 않는다. href가 있을 경우 확인을 눌렀을 때는 해당 url로 이동되지만, 취소를 누르면 그대로 있을 것이다.

model 데이터삭제 대상데이터.delete() get, filter, all 등으로 대상 데이터를 얻어온 다음, delete()로 삭제한다. filter, all 등의 객체를 대상으로 delete() 명렁어를 수행할 경우 해당하는 데이터 전체가 삭제되니 주의하자. model 데이터 수정 대상 데이터.update( 수정대상 컬럼 = 내용 ) 대상 데이터(수정인 만큼 단일 데이터이어야 함)를 얻어온 다음, update()로 수정한다. 수정할 컬럼에 내용을 넣어 수정할 수 있다. 수정하고 싶지 않은 컬럼은 아예 작성하지 않으면 된다. (기존값유지)

지금까지 배운 것을 기반으로 매우 간단한 사이트를 만들겠다 초기페이지에 들어오면, ‘반’정보 나열하는 기능 초기페이지에서 ‘반’클릭해서 check/ 로 넘어가는 기능 check/ 에서 각 반의 ‘학생이름’나열하는 기능 check/ 에서 추가하기를 누르면 add/로 넘어가는 기능 add/에서 등록하기를 누르면, 등록이 되면 해당 반 check로 넘어가는 기능 urls.py urlpatterns = [ path('admin/', admin.site.urls), path('',views.home, name='home'), path('check/',views.check, name='check'), path('add/',views.add, name='add') ] 먼저 urls.py에서 필요한 path를 정리해준..

model에 데이터 추가하기 모델명.objects.create() 모델명.objects.create() 를 사용하여 데이터를 추가한다. views.py에서 수행하게 되는데, 보통 request의 요청을 확인하여 데이터가 담겨있을 경우(요청이 POST일 경우) 그를 활용해 model에 데이터를 추가해주곤 한다. 아래는 활용 예시이다. models.py class Student(models.Model): name = models.CharField(max_length=30) model에는 Student라고하는 모델데이터가 존재한다. views.py from django.shortcuts import redirect, render from .models import Student # Create your vie..

models.py 데이터조회 models.py에서 작성한 데이터는 objects.all / objects.get / objects.filter 등의 방법으로 가져올 수 있다. AiClass.objects.all() AiClass.objects.get(pk=1) AiClass.objects.filter(class_num=2) objects.all : 해당 모델에 저장된 모든 데이터를 조회하는 함수 objects.filter : 특정 조건에 맞는 데이터만 조회하는 함수 objects.get : 특정 조건에 맞는 데이터 하나만 조회하는 함수 views.py from .models import AiClass, AiStudent from django.shortcuts import redirect, render #..

교차 검증 (Cross Validation) 일반화 성능 향상을 위해 훈련 세트와 테스트 세트를 한 번만 나누는 것보다 더 안정적이고 뛰어난 평가 방법이다. 여러개의 세트로 구성된 학습 데이터와 테스트 데이터로 학습과 평가를 수행한다. k-겹 교차검증 : 데이터를 폴드(fold)라는 거의 비슷한 크기의 부분집합 k개로 분리하고 각 부분집합의 정확도를 측정한다. 교차 검증의 점수가 높을수록 데이터셋에 있는 모든 샘플에 대해 모델이 잘 일반화되게 된다. 하지만 연산비용이 늘어나게 된다는 단점이 있다. scikit-learn에서 교차 검증은 model_selection 모듈의 cross_val_score라는 함수로 구현되어 있다. cross_val_score() cross_val_score(estimator,..