HTML CSS JAVASCRIPT SQL PYTHON PHP HOW TO W3.CSS JAVA JQUERY C++ R React
ภาษาไทย Afrikaans العربية čeština Deutsch Español Français हिन्दी Bahasa Indonesia Italiano 日本語 한국어 မြန်မာဘာသာ Nederlands Polski Português Русский Türkçe Tiếng Việt

파이썬 튜토리얼

파이썬 홈 파이썬 소개 파이썬 시작하기 파이썬 구문 파이썬 주석 파이썬 변수
파이썬 변수 변수 이름 여러 값 할당 출력 변수 전역 변수 다양한 운동
파이썬 데이터 유형 파이썬 숫자 파이썬 캐스팅 파이썬 문자열
파이썬 문자열 슬라이싱 문자열 문자열 수정 문자열 연결 Format Strings Escape Characters String Methods String Exercises
파이썬 부울 파이썬 연산자 파이썬 목록
Python Lists Access List Items Change List Items Add List Items Remove List Items Loop Lists List Comprehension Sort Lists Copy Lists Join Lists List Methods List Exercises
파이썬 튜플
Python Tuples Access Tuples Update Tuples Unpack Tuples Loop Tuples Join Tuples Tuple Methods Tuple Exercises
파이썬 세트
Python Sets Access Set Items Add Set Items Remove Set Items Loop Sets Join Sets Set Methods Set Exercises
파이썬 사전
Python Dictionaries Access Items Change Items Add Items Remove Items Loop Dictionaries Copy Dictionaries Nested Dictionaries Dictionary Methods Dictionary Exercise
파이썬 If...Else 파이썬 while 루프 Python For 루프 파이썬 함수 파이썬 람다 파이썬 배열 파이썬 클래스/객체 파이썬 상속 파이썬 반복자 파이썬 범위 파이썬 모듈 파이썬 날짜 파이썬 수학 파이썬 JSON 파이썬 정규식 파이썬 PIP 파이썬 시도...제외 파이썬 사용자 입력 파이썬 문자열 포맷

파일 처리

파이썬 파일 처리 파이썬 읽기 파일 Python 파일 작성/작성 파이썬 파일 삭제

파이썬 모듈

넘파이 튜토리얼 팬더 연습 사이피 튜토리얼

파이썬 Matplotlib

Matplotlib 소개 Matplotlib 시작하기 Matplotlib 파이플로트 Matplotlib 플로팅 Matplotlib 마커 Matplotlib 라인 Matplotlib 레이블 Matplotlib 그리드 Matplotlib 서브플롯 Matplotlib 분산 Matplotlib 바 Matplotlib 히스토그램 Matplotlib 파이 차트

기계 학습

시작하기 평균 중앙값 모드 표준 편차 백분위수 데이터 배포 정규 데이터 분포 산포도 선형 회귀 다항식 회귀 다중 회귀 규모 훈련/시험 의사결정나무

파이썬 MySQL

MySQL 시작하기 MySQL 데이터베이스 생성 MySQL 테이블 생성 MySQL 삽입 MySQL 선택 MySQL 어디 MySQL 주문 기준 MySQL 삭제 MySQL 삭제 테이블 MySQL 업데이트 MySQL 제한 MySQL 조인

파이썬 몽고DB

몽고DB 시작하기 MongoDB 데이터베이스 생성 MongoDB 컬렉션 생성 몽고DB 삽입 몽고DB 찾기 몽고DB 쿼리 몽고DB 정렬 몽고DB 삭제 MongoDB 드롭 컬렉션 몽고DB 업데이트 몽고DB 제한

파이썬 참조

파이썬 개요 파이썬 내장 함수 파이썬 문자열 메서드 파이썬 목록 메서드 파이썬 사전 메서드 파이썬 튜플 메서드 파이썬 세트 메소드 파이썬 파일 메서드 파이썬 키워드 파이썬 예외 파이썬 용어집

모듈 참조

랜덤 모듈 요청 모듈 통계 모듈 수학 모듈 cMath 모듈

파이썬 방법

목록 중복 제거 문자열 반전 두 개의 숫자 더하기

파이썬 예제

파이썬 예제 파이썬 컴파일러 파이썬 연습 파이썬 퀴즈 파이썬 인증서

기계 학습 - 규모

❮ 이전의 다음 ❯

스케일 기능

데이터의 값이 다르고 측정 단위가 다른 경우 이를 비교하기 어려울 수 있습니다. 미터와 비교하여 킬로그램은 무엇입니까? 아니면 시간에 비해 고도?

이 문제에 대한 답은 스케일링입니다. 데이터를 비교하기 쉬운 새 값으로 확장할 수 있습니다.

아래 표를 보면 다중 회귀 장 에서 사용한 것과 동일한 데이터 세트입니다 . 그러나 이번에는 부피 열에 cm 3 대신 리터 단위 의 값이 포함됩니다 (1000 대신 1.0).

파일은 테스트 목적으로만 사용되며 여기에서 다운로드할 수 있습니다. cars2.csv

차 모델 용량 무게 이산화탄소
도요타 아이고 1.0 790 99
미쓰비시 스페이스 스타 1.2 1160 95
스코다 시티고 1.0 929 95
명령 500 0.9 865 90
미니 쿠퍼 1.5 1140 105
폭스바겐 위로! 1.0 929 105
스코다 파비아 1.4 1109 90
메르세데스 A급 1.5 1365 92
포드 축제 1.5 1112 98
아우디 A1 1.6 1150 99
현대 I20 1.1 980 99
스즈키 빠른 1.3 990 101
포드 축제 1.0 1112 99
혼다 시민 1.6 1252 94
현대 I30 1.6 1326 97
오펠 아스트라 1.6 1330 97
BMW 1 1.6 1365 99
마쓰다 삼 2.2 1280 104
스코다 빠른 1.6 1119 104
포드 집중하다 2.0 1328 105
포드 몬데오 1.6 1584 94
오펠 휘장 2.0 1428 99
메르세데스 C급 2.1 1365 99
스코다 옥타비아 1.6 1415 99
볼보 S60 2.0 1415 99
메르세데스 CLA 1.5 1465 102
아우디 A4 2.0 1490 104
아우디 A6 2.0 1725년 114
볼보 V70 1.6 1523 109
BMW 5 2.0 1705년 114
메르세데스 E클래스 2.1 1605 115
볼보 XC70 2.0 1746 117
포드 비맥스 1.6 1235 104
BMW 2 1.6 1390 108
오펠 자피라 1.6 1405 109
메르세데스 SLK 2.5 1395 120

부피 1.0과 무게 790을 비교하는 것은 어려울 수 있지만 둘 다 비슷한 값으로 축소하면 한 값이 다른 값과 얼마나 비교되는지 쉽게 알 수 있습니다.

데이터를 확장하는 방법에는 여러 가지가 있습니다. 이 자습서에서는 표준화라는 방법을 사용합니다.

표준화 방법은 다음 공식을 사용합니다.

z = (x - u) / s

여기서 z은 새 값, x는 원래 값, u는 평균, s는 표준 편차입니다.

위의 데이터 세트에서 가중치 열 을 가져오면 첫 번째 값은 790이고 스케일링된 값은 다음과 같습니다.

(790 - ) / = -2.1

위의 데이터 세트에서 볼륨 열 을 가져오면 첫 번째 값은 1.0이고 스케일링된 값은 다음과 같습니다.

(1.0 - ) / = -1.59

이제 790을 1.0과 비교하는 대신 -2.1과 -1.59를 비교할 수 있습니다.

이 작업을 수동으로 수행할 필요가 없습니다. Python sklearn 모듈에는 StandardScaler() 데이터 세트를 변환하는 메서드와 함께 Scaler 객체를 반환하는 메서드가 있습니다.

예시

무게 및 부피 열의 모든 값을 조정합니다.

import pandas
from sklearn import linear_model
from sklearn.preprocessing import StandardScaler
scale = StandardScaler()

df = pandas.read_csv("cars2.csv")

X = df[['Weight', 'Volume']]

scaledX = scale.fit_transform(X)

print(scaledX)

결과:

처음 두 값은 -2.1과 -1.59이며 이는 우리의 계산에 해당합니다.

[[-2.10389253 -1.59336644]
 [-0.55407235 -1.07190106]
 [-1.52166278 -1.59336644]
 [-1.78973979 -1.85409913]
 [-0.63784641 -0.28970299]
 [-1.52166278 -1.59336644]
 [-0.76769621 -0.55043568]
 [ 0.3046118  -0.28970299]
 [-0.7551301  -0.28970299]
 [-0.59595938 -0.0289703 ]
 [-1.30803892 -1.33263375]
 [-1.26615189 -0.81116837]
 [-0.7551301  -1.59336644]
 [-0.16871166 -0.0289703 ]
 [ 0.14125238 -0.0289703 ]
 [ 0.15800719 -0.0289703 ]
 [ 0.3046118  -0.0289703 ]
 [-0.05142797  1.53542584]
 [-0.72580918 -0.0289703 ]
 [ 0.14962979  1.01396046]
 [ 1.2219378  -0.0289703 ]
 [ 0.5685001   1.01396046]
 [ 0.3046118   1.27469315]
 [ 0.51404696 -0.0289703 ]
 [ 0.51404696  1.01396046]
 [ 0.72348212 -0.28970299]
 [ 0.8281997   1.01396046]
 [ 1.81254495  1.01396046]
 [ 0.96642691 -0.0289703 ]
 [ 1.72877089  1.01396046]
 [ 1.30990057  1.27469315]
 [ 1.90050772  1.01396046]
 [-0.23991961 -0.0289703 ]
 [ 0.40932938 -0.0289703 ]
 [ 0.47215993 -0.0289703 ]
 [ 0.4302729   2.31762392]]

CO2 값 예측

다중 회귀 챕터 의 작업은 자동차의 무게와 부피만 알고 있을 때 자동차의 CO2 배출량을 예측하는 것이었습니다.

데이터 세트가 척도화되면 값을 예측할 때 척도를 사용해야 합니다.

예시

무게가 2300kg인 1.3리터 자동차의 CO2 배출량을 예측하십시오.

import pandas
from sklearn import linear_model
from sklearn.preprocessing import StandardScaler
scale = StandardScaler()

df = pandas.read_csv("cars2.csv")

X = df[['Weight', 'Volume']]
y = df['CO2']

scaledX = scale.fit_transform(X)

regr = linear_model.LinearRegression()
regr.fit(scaledX, y)

scaled = scale.transform([[2300, 1.3]])

predictedCO2 = regr.predict([scaled[0]])
print(predictedCO2)

결과:

[107.2087328]

❮ 이전의 다음 ❯