relative 접근자를 통한 import· ..과 .기호를 사용하여 상대경로를 이용하여 import 하는 것도 가능합니다.· Python 2.5부터 사용가능합니다.· ..과 같은 relative 접근자는 .py와 같이 모듈 안에서만 사용가능합니다.· 파이썬 인터프리터에서 relative한 접근자를 사용하면 "SystemError: cannot perform relative import"와 같은 오류가 발생합니다.

투표(Majority Voting)· ≒ 다수결 ≒ 다수결 방법· ≒ 과반수 투표· 가장 단순한 모형 결합 방법· 동일한 훈련세트로 여러 모델을 구축합니다.

VotingClassifier() · {sklearn.ensemble} 서브패키지의 메소드입니다. · 앙상블(Ensemble)의 다수결 기법(Voting)의 모형을 생성합니다. from sklearn.ensemble import VotingClassifier class sklearn.ensemble.VotingClassifier(estimators, voting='hard', weights=None, n_jobs=None, flatten_transform=True) parameter description estimators · 개별 모형 목록 · 리스트나 named parameter 형식으로 입력합니다. voting · 문자열 {hard, soft} · hard voting 과 soft voting 선택..

graph_from_dot_data() · {pydotplus} 패키지의 graphviz를 통한 그래프 생성 함수입니다. · 그래프 저장용 텍스트 파일 포맷인 dot 형식의 데이터로 정의된 그래프를 로드(load)하여 그래프를 생성해줍니다. # graphviz를 통한 그래프 생성 함수 from pydotplus import graph_from_dot_data # 그래프를 생성하기위해 data 생성 dot_data = export_graphviz(tree, filled=True, rounded=True, class_names=target_name, feature_names=feature_names, out_file=None) # graphviz data통해 그래프 생성 graph = graph_from_d..

배깅 알고리즘 · 각 훈련치를 평균하면, 분산을 낮추는 효과가 있습니다. · 배깅(Bagging)은 분산을 낮춰 과적합을 막아줍니다. 원자료(훈련세트)에서 무작위로 추출하여 표본 데이터를 뽑습니다. 뽑은 표본 데이터로 예측 모델을 모델링해서 최종 모델을 만듭니다.

learning_curve() 학습 곡선을 그려줍니다. sklearn.model_selection.learning_curve(estimator, X, y, groups=None, train_sizes=array([0.1, 0.33, 0.55, 0.78, 1. ]), cv=None, scoring=None, exploit_incremental_learning=False, n_jobs=None, pre_dispatch='all', verbose=0, shuffle=False, random_state=None, error_score=nan, return_times=False) https://scikit-learn.org/stable/modules/generated/sklearn.model_selection.l..