- Today
- Total
๋ชฉ๋ก์ ์ฒด ๊ธ (355)
DATA101
๐ ๋ชฉ์ฐจ 1. 404 ์๋ฌ ์๋ฏธ 2. 404 ์๋ฌ ์ ๋ฆฌํด ํ์ด์ง ๋ง๋ค๊ธฐ 3. ๊ฒฐ๊ณผ 1. 404 ์๋ฌ ์๋ฏธ 404 Error๋ HTTP์์ ํ์ผ์ ์ฐพ์ง ๋ชป ํ ์ ๋ฐ์ํ๋ ์๋ฌ ์ฝ๋์ ๋๋ค. ์ฌ๊ธฐ์ ๋งจ ์ ์ซ์ 4๋ ํด๋ผ์ด์ธํธ ์ค๋ฅ๋ฅผ ์๋ฏธํ๋ ์ซ์์ด๋ฉฐ, ๋ค์ ์ซ์ 2๊ฐ๋ ๊ตฌ์ฒด์ ์ธ ์๋ฌ ์ฝ๋์ ๋๋ค. ์ด ์๋ฌ๋ ์๋ฒ๋ฅผ ์ฐพ๊ธด ํ์ผ๋ URL์ ํด๋น๋๋ ํ์ด์ง(ํ์ผ)๋ฅผ ์ฐพ์ ์ ์์ ๋ ๋ฐ์ํฉ๋๋ค. ์ฆ, ์๋์ ๊ทธ๋ฆผ 1์ฒ๋ผ, ๊ฐ๋ฐํด ๋์ง ์์ URL๋ก ์ ๊ทผํ ๊ฒฝ์ฐ, ์ด์ ๋์ํ๋ ํ์ด์ง๋ฅผ ๋ฆฌํดํ์ฌ ์ฌ์ฉ์์๊ฒ ์ฌ๋ฐ๋ฅธ ๊ฒฝ๋ก๋ก ์ ๊ทผํ๋ผ๊ณ ์๋ดํ ์ ์์ต๋๋ค. 2. 404 ์๋ฌ ์ ๋ฆฌํด ํ์ด์ง ๋ง๋ค๊ธฐ ๋ฆฌ์กํธ์์ 404 ์๋ฌ ๋ฐ์ ์ ๋ฐํํ ํ์ด์ง๋ฅผ ๋ง๋ค์ด ๋ด ๋๋ค. 1) ํจํค์ง ์ค์น npm i react-router-dom..
๋ณธ ํฌ์คํ ์์๋ ํ์ด์ฌ์์ ๋ฆฌ์คํธ ๋ด ๋์ ๋๋ฆฌ๋ฅผ ์ ๋ ฌํ๋ ๋ฐฉ๋ฒ์ ์๊ฐํฉ๋๋ค. ๐ก ์๋ฃจ์ ์ฌ๋ฌ ๋ฐฉ๋ฒ์ด ์๊ฒ ์ง๋ง itemgetter ๋ฉ์๋๋ฅผ ํ์ฉํ๋ฉด ๊ฐ๋จํ ํด๊ฒฐ ๊ฐ๋ฅํฉ๋๋ค. ์๋ ์์ ๋ฅผ ๋ณด์๋ฉด ์ฝ๊ฒ ์ดํดํ์๊ณ ์ ์ฉํ์ค ์ ์์ ๊ฒ๋๋ค. ํจํค์ง import from operator import itemgetter operator ํจํค์ง๋ ํ์ด์ฌ ๋ด์ฅ ํจํค์ง์ด๋ฏ๋ก ๋ฐ๋ก ์ค์นํ ํ์ ์์ต๋๋ค. ์์ ๋ฆฌ์คํธ members = [{'name' : 'Ben', 'age': 32}, {'name' : 'Austin', 'age': 29}, {'name' : 'Kate', 'age': 20}, {'name': 'Aria', 'age': 23}] ์ ๋ ฌ members_sorted = sorted(members, key = ..
๐ ๋ชฉ์ฐจ 1. Example-based Evaluation 1.1. Exact-Match Ratio(EMR) 1.2. Accuracy 1.3. Precision 1.4. Recall 1.5. F1 Score 1.6. Hamming Loss 2. Label-based Evaluation 2.1. Macro average 2.2. Mico average 2.3. Weighted average ๐จ๐ป ๋ค์ด๊ฐ๋ฉฐ Multi-label Classification ๋ชจ๋ธ ํ๊ฐ์งํ๋ฅผ ๋ผ๋ฒจ(lael)์ ๊ธฐ์ค์ผ๋ก ๊ณ์ฐํ๋์ง ํน์ test example์ ๊ธฐ์ค์ผ๋ก ๊ณ์ฐํ๋์ง์ ๋ฐ๋ผ ํ๊ฐ ๋ฐฉ๋ฒ์ ํฌ๊ฒ 2๊ฐ์ง๋ก ๋๋ฉ๋๋ค. 1) Example-based Evaluation 2) Label-based Evaluation ๊ฐ๊ฐ์ ๋ํด..
1. ROC Curve Receiver Operating Characteristic ๊ณก์ ์ ์ฝ์ (๊ทธ๋ฆผ 1) \(x\)์ถ: FPR(False Positive Rate), \(y\)์ถ: TPR(True Positive Rate) FPR: ์ ์ฒด ๊ฒฝ์ฐ ์ค ๋ชจ๋ธ์ด Positive๋ก ์์ธกํ์ผ๋ ์ค์ ์ ๋ต์ด Negative์ธ ๋น์จ๋ก, ์ ์ฒด ๊ฒฝ์ฐ์์ TNR(True Negatvie Rate)๋ฅผ ๋บ ๊ฐ๊ณผ ๊ฐ์ $$ FPR = 1 - TNR = 1 - \frac{TN}{FP+TN}=\frac{FP}{FP+TN} $$ TPR: ์ ์ฒด ๊ฒฝ์ฐ ์ค ๋ชจ๋ธ์ด Positive๋ก ์์ธกํ๋๋ฐ ์ค์ ์ ๋ต์ด Positive์ธ ๋น์จ(Recall๊ณผ ๋์ผ) $$ TPR = Recall = \frac{TP}{TP+FN} $$ ๊ทธ๋ฆผ 1์์ Refer..
๐ ๋ชฉ์ฐจ 1. Confusion Matrix 2. Accuracy 3. Precision 4. Recall 5. F1 Score 6. Average Precision ๐จ๐ป ๋ค์ด๊ฐ๋ฉฐ ๋ณธ ํฌ์คํ ์์๋ Binary Classification ๋ฐ Multi-class Classification์์ ๊ธฐ๋ณธ์ ์ผ๋ก ๋ค๋ฃจ๋ ํ๊ฐ์งํ์ธ Confusion Matrix, Accuracy, Precision, Recall, F1 Score, Average Precision์ ๋ํด ๋ค๋ฃน๋๋ค. Multi-label Classification์์ ์ฌ์ฉ๋๋ ํ๊ฐ์งํ๋ ์๋์ ํฌ์คํ ์ ์ฐธ๊ณ ํด ์ฃผ์ธ์. https://heytech.tistory.com/434 1. Confusion Matrix 'ํผ๋ ํ๋ ฌ' ๋๋ '์ค์ฐจ ํ๋ ฌ'์ด๋ผ๋ ๋ถ..
๐ ํ ์คํธ์ฉ ์ซ์ 100์กฐ๋ฅผ ์ค๋นํด ๋ดค์ต๋๋ค. let testNum = 100000000000000; ์ซ์ํ ๋ณ์๋ฅผ ์ฝ๋ ๋งจ ์์ ์ ๋ ฅํด ์ค๋๋ค. [Number].toString().replace(/\B(?=(\d{3})+(?!\d))/g, ',') โ ์คํ ๊ฒฐ๊ณผ ์๋์ ๊ฐ์ด ์ ์์ ์ผ๋ก ์ฝค๋ง๋ฅผ ๋ถ์ฌ์ค ๊ฒ์ ํ์ธํ์ค ์ ์์ต๋๋ค. ํฌ์คํ ๋ด์ฉ์ ์ค๋ฅ๊ฐ ์์ ๊ฒฝ์ฐ ๋๊ธ ๋จ๊ฒจ์ฃผ์๋ฉด ๊ฐ์ฌ๋๋ฆฌ๊ฒ ์ต๋๋ค. ๊ทธ๋ผ ์ค๋๋ ํ๋ณตํ ํ๋ฃจ ๋ณด๋ด์๊ธธ ๋ฐ๋๋๋ค๐ ๊ณ ๋ง์ต๋๋ค.
๐ branch ์ญ์ ๋ฐฉ๋ฒ ํฐ๋ฏธ๋์์ ์๋์ ๊ฐ์ ๋ช ๋ น์ด์ ํจ๊ป, ์ญ์ ํ branch ์ด๋ฆ์ ์ ๋ ฅํด ์ค๋๋ค. git branch -d [์ญ์ ํ branch ์ด๋ฆ] ๐จ๐ป ๊ฒฐ๊ณผ ํฌ์คํ ๋ด์ฉ์ ์ค๋ฅ๊ฐ ์์ ๊ฒฝ์ฐ ๋๊ธ ๋จ๊ฒจ์ฃผ์๋ฉด ๊ฐ์ฌ๋๋ฆฌ๊ฒ ์ต๋๋ค. ๊ทธ๋ผ ์ค๋๋ ํ๋ณตํ ํ๋ฃจ ๋ณด๋ด์๊ธธ ๋ฐ๋๋๋ค๐ ๊ณ ๋ง์ต๋๋ค.
ํ์ด์ฌ์์ 2๊ฐ์ ๋ฆฌ์คํธ ๊ฐ์ ๊ฒน์น๋ ์์๋ฅผ ์ ๊ฑฐํ๋ ๋ฐฉ๋ฒ, ์ฆ ์ฐจ์งํฉ์ ๊ตฌํํ๋ ๋ฐฉ๋ฒ์ ์์๋ด ๋๋ค. ์๋์ ๊ฐ์ด 2๊ฐ์ ๋ฆฌ์คํธ๊ฐ ์๋ค๊ณ ๊ฐ์ ํด ๋ณด๊ฒ ์ต๋๋ค. list1 = ['a', 'b', 'c', 'd'] list2 = ['b', 'd'] โ ์๋ชป๋ ๋ฐฉ๋ฒ ๋ฆฌ์คํธ๋ผ๋ฆฌ ํฉ์งํฉ์ธ ์์ ํฉ์น๊ธฐ๋ ๋ง์ (+)์ผ๋ก ๊ฐ๋ฅํฉ๋๋ค. ํ์ง๋ง, ์ฐจ์งํฉ์ ์ํ ๋บผ์ ์ ์ง์ํ์ง ์์ต๋๋ค. list1-list2 ๊ฒฐ๊ณผ โ ์ฌ๋ฐ๋ฅธ ๋ฐฉ๋ฒ ์๋์ ๊ฐ์ ๋ฆฌ์คํธ ์ปดํ๋ฆฌํจ์ (List Comprehension)์ผ๋ก ์ฝ๊ฒ ์ฐ์ฐ์ด ๊ฐ๋ฅํฉ๋๋ค. sub_set = [x for x in list1 if x not in list2] ๊ฒฐ๊ณผ๋ฅผ ์ถ๋ ฅํด ๋ด ๋๋ค. sub_set ๊ฒฐ๊ณผ ํฌ์คํ ๋ด์ฉ์ ์ค๋ฅ๊ฐ ์์ ๊ฒฝ์ฐ ๋๊ธ ๋จ๊ฒจ์ฃผ์๋ฉด ๊ฐ์ฌ๋๋ฆฌ๊ฒ ์ต๋๋ค. ๊ทธ๋ผ ์ค๋๋..