일 | 월 | 화 | 수 | 목 | 금 | 토 |
---|---|---|---|---|---|---|
1 | 2 | 3 | 4 | 5 | 6 | 7 |
8 | 9 | 10 | 11 | 12 | 13 | 14 |
15 | 16 | 17 | 18 | 19 | 20 | 21 |
22 | 23 | 24 | 25 | 26 | 27 | 28 |
29 | 30 | 31 |
- 러스트 기초 학습
- ethers type
- 컨트렉트 배포 자동화
- ethers typescript
- 체인의정석
- 러스트기초
- Vue.js
- 컨트렉트 동일한 함수이름 호출
- rust 기초
- multicall
- 스마트컨트렉트프록시
- ethers
- 스마트컨트렉트테스트
- ethers websocket
- 러스트 기초
- git rebase
- 머신러닝기초
- chainlink 설명
- 스마트컨트렉트 함수이름 중복 호출
- 티스토리챌린지
- ambiguous function description
- nest.js설명
- SBT표준
- ethers v6
- 프록시배포구조
- Vue
- 스마트 컨트렉트 함수이름 중복
- 스마트컨트렉트 예약어 함수이름 중복
- vue기초
- 오블완
- Today
- Total
목록선형모델 (2)
체인의정석
![](http://i1.daumcdn.net/thumb/C150x150/?fname=https://blog.kakaocdn.net/dn/nYitQ/btqGsMODqzW/5RvHoFRe5NYhrSsBXhXXxK/img.png)
plt.plot(line) 로지스틱 회귀를 제외한 많은 선형 분류 모델은 태생적으로 이진 분류만을 지원합니다. 다중클래스는 지원하지 않습니다. 이진 분류 알고리즘을 다중 클래스 분류 알고리즘으로 확장하는 보편적인 기법은 일대다 방법입니다. 일대다 방식은 클래스의 수만큼 이진 분류가 발생하게 됩니다. 3개의 클래스를 가진 데이터셋에 일대다 방식을 적용해 보겠습니다. from sklearn.datasets import make_blobs X,y = make_blobs(random_state=42) mglearn.discrete_scatter(X[:,0],X[:,1],y) plt.xlabel("특성 0") plt.ylabel("특성 1") plt.legend(["클래스 0", "클래스 1", "클래스 2"])..
![](http://i1.daumcdn.net/thumb/C150x150/?fname=https://blog.kakaocdn.net/dn/cxuPYb/btqFOhngw81/ZJ2uUHeS3h2XNkFAA0Qhy0/img.png)
로지스틱 회귀 & 서포트 벡터 머신이 가장 널리 알려진 두 개의 선형 분류 알고리즘 일단 아래의 코드는 모든 예제에서 넣어주기로 합니다. from IPython.display import display import numpy as np import matplotlib.pyplot as plt import pandas as pd import mglearn import sklearn from sklearn.datasets import make_blobs plt.rc('font', family='NanumGothic') plt.rcParams['axes.unicode_minus'] = False 서포트 백터 머신과, 로지스틱 회귀를 비교하기 위해 아래와 같이 설정하였습니다. 여기서 만들어진 경계를 결정 경계라..