<aside> ๐ฅง [ ์ค๋์ ํ๊ธฐ ] ํ๋ ฌ ๊ณฑ์ ... ์ดํดํ ๋ฏ ๋ง ๋ฏ ํ์ฌ๋ผ ... ^^ ...
์ ๋ฒ ์ธ์ ๊ณผ์ ํ๋ ๊ฑฐ ์นญ์ฐฌ ๋ค์ ๊ฒ๋ ๋๋ฌด ์ข์๊ณ ๋ญ๊ฐ... ์ฌ๋ฐ์์ ... ใ ใ . ... ์ด๊ฑฐ ์๊ฐ๋ณด๋ค ์ฌ๋ฐ์์ง๋? ํํ ์ด๋ ๊ฒ ๊ณ์ ์์์ ๋ํ์ ๊ฐ๊ณ ๊ทธ๋ฌ๋ ๊ฑด๊ฐ
๊ทผ๋ฐ ์ด๊ฑฐ ์ฝ๋๋ก ๋ณต์ต ์ค์ธ๋ฐ ์ด๊ฑฐ X๋ ๋๋ฌธ์๊ณ y๋ ์๋ฌธ์์ธ... ์ด์ ๊ฐ ์๋? ๊ฑ... ์ฑ ์ ๊ทธ๋ ๊ฒ ๋์จ ๊ฑด๊ฐ ?... ใฑ-
์ฝ๋ ์ค์ต์์ ์ค๋ฅ๊ฐ ๋ง๋ค ใ ์์ ์ฑ ์ด๋ผ ๊ทธ๋ฐ์ง ๋ง์ด ๋ฐ๋ ๊ฒ ๊ฐ๋ค... ๊ตฌ๊ธ์ ๋ด ํํธ๋ ...
</aside>
BIG_PY_2022/SessionWeek2Practice.ipynb at main ยท isdiscodead/BIG_PY_2022
๋ถ๋ฅ
โ ์
๋ ฅ ๋ฐ์ดํฐ ๊ฐ(x)์ ๋ช ๊ฐ์ ๋ถ๋ฅ( class )๋ก ๋์์ํค๋ ๋ฌธ์ ( y๊ฐ์ด ๋ฒ์ฃผํ, ์ฆ ์ฐ์ฐ ๋ถ๊ฐ๋ฅ )
์๋ฅผ ๋ค์ด ์ด๋ค *์ ๋ ฅ ๋ฐ์ดํฐ( ํจ๋ ์ด์ฝ๋ )*์ ์ด์ฝ๋ / ์ฌํ / ์ผ์ดํฌ ๋ฑ์ class๋ก ์๋ง๊ฒ ๋ถ๋ฅํ๋ ๊ฒ
โ ์ด๋ ์ฌ๋์ด๋๊น ์ง๊ด์ ์ด๊ณ ์ฌ์ด ๊ฒ์ด์ง, ์ปดํจํฐ์๊ฒ๋ ๊ฐ ๋ฒ์ฃผ์ ๋ค์ํ ํน์ง๋ค์ ์๋ ค์ค์ผ ํจ !
๋
๋ฆฝ ๋ณ์( X )
= ์์ธ์ด ๋๋ ๋ณ์ = ์ค๋ช
๋ณ์
์ข
์ ๋ณ์ ( Y )
= ๊ฒฐ๊ณผ๊ฐ ๋๋ ๋ณ์ = ๋ชฉ์ ๋ณ์
๋ฏธ๊ตญ ๊ณ ๋ฑํ์๊ณผ ์ธ๊ตฌ ์กฐ์ฌ๊ตญ ์ง์๋ค์ด ์์ผ๋ก ์ด 7000*10๊ฐ์ ์์ ์ซ์ ์ด๋ฏธ์ง๋ฅผ ๋ชจ์ ๋ฐ์ดํฐ์
โ ๋ถ๋ฅ์ ์์ฃผ ์ฐ์ ( 0 ~ 9๊น์ง์ ์ซ์ ์ด๋ฏธ์ง ํด๋์ค )
from sklearn.datasets import fetch_openml
mnist = fetch_openml('mnist_784', version=1, )
X, y = mnist["data"], mnist["target"]
print(X.shape, y.shape) # (70000, 784) (70000,)
โ X
๋ 28*28px=784px ๋ฐ์ดํฐ์ 0~255 graytone ์์ ๊ฐ ์ ๋ณด
โ y
๋ ์ ๋ต์ด๋ฏ๋ก ์ด์ด 1๊ฐ ( 0 ~ 9๊น์ง์ ์ซ์ ๋ถ๋ฅ )
as_frame= False
โ array๋ก ๊ฒฐ๊ณผ๋ฅผ ๋ฐํ ๋ฐ๊ธฐ ์ํจ