#1번 import numpy as np x=np.array([4,2,6,5,1,3,0]) print(np.sort(x)) print('\n') print(x) [0 1 2 3 4 5 6] [4 2 6 5 1 3 0] #2번 x=np.array([4,2,6,5,1,3,0]) print(x.sort()) print(x)​ None [0 1 2 3 4 5 6] #3번 x=np.array([4,2,6,5,1,3,0]) x_reverse_1=np.sort(x)[::-1] x_reverse_1 array([6, 5, 4, 3, 2, 1, 0]) In [12]: #4번 x=np.array([4,2,6,5,1,3,0]) x_reverse_2 = x[np.argsort(-x)] x_reverse_2 array([6, ..

[linear Regression's history] - 선형회귀의 역사는 galton이라는 인물이 아버지의 키로부터 아들의 키를 예측하는 것으로부터 시작되었다. [vocab] response (y): = dependent variable, Y-variable, target, outcome independent variable : = X-variable, feature, attribute record : row, case, instance, example intercept : 회귀선의 기울기 regression coefficient : 회귀선의 슬로프(slope=경사) 잔차residuals : 관찰값과 fitted values와 차이 (y - y^) least squares : 제곱의 잔차 합을 최소화 ..

1. t-test(t 검정) - t-test는 두 집단의 평균에 통계적으로 유의한 차이가 있는지 알아볼 때 사용하는 통계 분석 기법 - one sample t-test와 two sample t-test가 있음 - t-test를 하기 위해 기본적으로 scipy 패키지로부터 stats라는 모듈을 불러와야 함 - 한 개의 집단을 가지고 t-test를 하는 것 - 한 집단의 평균값이 내가 생각한 값과 다른지 비교할 때 시행하는 것 - stats.ttest_1samp()를 활용 - 두 개의 집단을 가지고 t-test를 하는 것 - 두 집단의 평균 비교를 통해, 두 집단 간의 차이가 통계적으로 유의한지 유의하지 않은지를 확인할 수 있음 - stats.ttest_ind()를 활용 2. Anova 검정 - 세 개 이상..

attribute transform은 크기의 차이를 해소하기 위해 속성 값을 변환하는 것이다. 예를들어 평균, 표준편차, z-score와 같이 변환할 수 있을 것이다. 이처럼 normalization이나 standardization은 데이터를 처음 받을 때 즉, 거리를 재기 전이나 머신러닝 모델을 만들기 전에 진행하는 것이 좋다고 말할 수 있다. discretization은 카테고리형 데이터를 numerical 형태로 변환하는 것이다. cut함수를 사용하여 범위를 가진 형태로 변환한다.

1.맨해튼 거리, 유클리디안 거리, infinite 거리 계산 1차 거리 계산(맨해튼 거리 방식) 2차 거리 계산(유클리디안 거리 방식) infinite(무한대) 거리 계산 2.코사인 거리 계산 3.상관관계 계산