WIL - 6주차

머신러닝 기초

Supervised Learning

UnSupervised Learning

Reinforecement Learning

 

clustering 은 군집화

 

train_set, test_set

Stratified sampling

산점도 alpha = 0.1 // 숫자가 낮을수록 밀도가 높을수록 표시됨 : 흐리게

 

correation  : 선형적 관계 ( 비례, 반비레) 에 유용하나, 원점에 대해 대칭적인 경우엔 파악할 수 없음 (0)

 

단순한 침대수, 방수, 인구수는 중요하지 않지만 비교 대상이 있을 경우 의미 있어질 수 있음(예시 : 나누기)

rooms per household : total room / households

 

머신러닝 알고리즘을 위한 데이터 준비 : 전처리

- interpolation(보간법) : 시계열 데이터에서 많이 씀  (spline)

- 머신러닝 쓰는 방법(heavy)

많은 컬럼의 unique값 구하고 그 그래프를 그리는 방법 2가지

list = ['Mortgage Loan','Not Specified', 'Personal Loan', 'Student Loan','Debt Consolidation Loan','Auto Loan', 'Payday Loan','Credit-Builder Loan', 'Home Equity Loan']
# 에 대해 1개 이상이면 T / F


def seg(col) : 
    for i in col :
        bank[i]=np.where(bank[i]<1, 0, 1)
seg(list)

bank002 = bank.groupby(['Mortgage Loan','Not Specified', 'Personal Loan', 'Student Loan','Debt Consolidation Loan','Auto Loan', 'Payday Loan','Credit-Builder Loan', 'Home Equity Loan'],as_index = False)['Customer_ID'].nunique()
T = 0
for i in list : 
    T += bank002[bank002[i] == 1]['Customer_ID'].sum()
    print(f"'{i}' : [{bank002[bank002[i] == 1]['Customer_ID'].sum()}],")
print(f"'None' : [{5704}]")

bank002 = bank.groupby('Customer_ID',as_index = False)[['Mortgage Loan','Not Specified', 'Personal Loan', 'Student Loan','Debt Consolidation Loan','Auto Loan', 'Payday Loan','Credit-Builder Loan', 'Home Equity Loan']].sum()

bank002
T = 0
for i in list : 
    T += bank002[bank002[i] == 4][i].sum()//4
    print(f"'{i}' : [{bank002[bank002[i] == 4][i].sum()//4}],")
print(f"'None' : [{5704}]")

# bank002[bank002['Mortgage Loan'] == 4]['Mortgage Loan'].sum()//4

 

'Mortgage Loan' : [3920],

'Not Specified' : [3960],

'Personal Loan' : [3888],

'Student Loan' : [3880],

'Debt Consolidation Loan' : [3880],

'Auto Loan' : [3820],

'Payday Loan' : [3993],

'Credit-Builder Loan' : [3966],

'Home Equity Loan' : [3925],

'None' : [35232] = T

 

 

data = {'Mortgage Loan' : [3920],'Not Specified' : [3960],'Personal Loan' : [3888],'Student Loan' : [3880],'Debt Consolidation Loan' : [3880],'Auto Loan' : [3820],'Payday Loan' : [3993],'Credit-Builder Loan' : [3966],'Home Equity Loan' : [3925], 'None' : [35232]}
data1 = pd.DataFrame(data)
data1.T

# # 데이터프레임 생성
data1 = pd.DataFrame(data)

plt.bar(data1.T.index, data1.T[0])

data = {
    'Loan Type': ['Mortgage Loan', 'Not Specified', 'Personal Loan', 'Student Loan', 'Debt Consolidation Loan', 'Auto Loan', 'Payday Loan', 'Credit-Builder Loan', 'Home Equity Loan', 'None'],
    'Count': [3920, 3960, 3888, 3880, 3880, 3820, 3993, 3966, 3925, 5704]
}

# 데이터프레임 생성
data1 = pd.DataFrame(data)

# 막대 그래프 그리기
plt.figure(figsize=(12, 6))
plt.bar(data1['Loan Type'], data1['Count'], color='skyblue')
plt.xlabel('Loan Type')
plt.ylabel('Count')
plt.title('Loan Distribution')
plt.xticks(rotation=45, ha='right')  # x축 레이블 각도 조정
plt.tight_layout()  # 레이아웃 조정
plt.show()

 

 

상관 분석(相關 分析, 영어: correlation analysis, dependence analysis : 두 변수 간에 어떤 선형적 관계

 

과감한 목표를 세우고 아무것도 없어도 결론을 한번 뽑아보려 노력해볼것. - 주니어니까~

 

 

감정

두렵다고만 생각하지 말라 : 작은것도 한걸음부터

해보고 나면 언젠가 벌써? 할 정도로 빠르게 결과가 나온다

 

 

 

개선

애매하게 정리해서 흔들리던 Pandas관련 지식을 강의를 들어서 해결했다!

 

 

 

장기적으로

  내가 차별화 할 수 있는 능력이 무엇인지 찾고 그것을 키울 수 있도록 고민하자