디시인사이드 갤러리

갤러리 이슈박스, 최근방문 갤러리

갤러리 본문 영역

재획하면서 공부하기 #5

ㅇㅇ갤로그로 이동합니다. 2024.09.02 00:07:34
조회 74 추천 0 댓글 0

재획하면서 공부하기 #1~2 개인 리뷰용 파이썬 코드입니다.




재획하면서 공부하기 #1

https://gall.dcinside.com/board/view/?id=maplestory_new&no=8308815&search_pos=-8270584&s_type=search_subject_memo&s_keyword=%EC%9E%AC%ED%9A%8D%ED%95%98%EB%A9%B4%EC%84%9C&page=1

 


재획하면서 공부하기 #2

https://gall.dcinside.com/board/view/?id=maplestory_new&no=8312042&search_pos=-8280584&s_type=search_subject_memo&s_keyword=%EC%9E%AC%ED%9A%8D%ED%95%98%EB%A9%B4%EC%84%9C&page=1


참조한 유튜브 강의영상



# Linear Regression
# x_training k개의 feature, n개의 data
# y_training 1개의 feature, n개의 data

# 편의상 k=4, n=100

# x_training = ( n x k )
# y_training = ( n x 1 )

import numpy as np

# Generate random data for x_training with k=4 features and n=100 data points
x_training = np.random.rand(100, 4)

# Generate random data for y_training with 1 feature and n=100 data points
y_training = np.random.rand(100)


# y = w0 + w1x1 + w2x2 + w3x3 + w4x4 의 형태의 모델을 만드는 것이 목적
# w = (xtx)-1 xt y


# Add a column of ones to x_training for the bias term (w0)
X = np.c_[np.ones(x_training.shape[0]), x_training]



# closed-form solution 을 이용해 구하는 방법
# Calculate the weights (w) using the normal equation
w = np.linalg.inv(X.T @ X) @ X.T @ y_training


# gradient descent 를 이용해 구하는 방법
# Set the learning rate
learning_rate = 0.01
# Set the number of iterations
num_iterations = 1000
# Initialize the weights
w = np.zeros(X.shape[1])
print(w)
# Perform gradient descent
for i in range(num_iterations):
  # Calculate the predictions
  y_pred = X @ w
  # Calculate the error
  error = y_pred - y_training
  # Calculate the gradient
  gradient = X.T @ error / len(y_training)
  # Update the weights
  w = w - learning_rate * gradient




# classification - logistic regression

# Generate random data for x_training with k=4 features and n=100 data points
x_training = np.random.rand(100, 4)

# Generate random data for y_training with 1 feature and n=100 data points
y_training = np.random.randint(2, size=100)


# iterative reweight least squre 방법을 사용하여 구하기
# Add a column of ones to x_training for the bias term (w0)
X = np.c_[np.ones(x_training.shape[0]), x_training]

# Set the number of iterations
num_iterations = 100

# Initialize the weights
w = np.zeros(X.shape[1])

# Perform iterative reweighted least squares
for i in range(num_iterations):
  # Calculate the predictions
  y_pred = 1 / (1 + np.exp(-X @ w))

  # Calculate the weights
  weights = y_pred * (1 - y_pred)

  # Calculate the Hessian matrix
  hessian = X.T @ (weights[:, np.newaxis] * X)



# conjugate gradient 를 사용하여 구하기
# Add a column of ones to x_training for the bias term (w0)
X = np.c_[np.ones(x_training.shape[0]), x_training]

# Initialize the weights
w = np.zeros(X.shape[1])

# Set the number of iterations
num_iterations = 100

# Set the tolerance
tol = 1e-6

# Perform conjugate gradient
for i in range(num_iterations):
  # Calculate the predictions
  y_pred = 1 / (1 + np.exp(-X @ w))

  # Calculate the gradient
  gradient = X.T @ (y_pred - y_training)

  # Calculate the Hessian matrix
  H = X.T @ (y_pred * (1 - y_pred) * X)

  # Calculate the search direction
  if i == 0:
    d = -gradient
  else:
    beta = np.dot(gradient, gradient) / np.dot(gradient_old, gradient_old)
    d = -gradient + beta * d

  # Calculate the step size
  alpha = -np.dot(gradient, d) / np.dot(d, H @ d)

  # Update the weights
  w = w + alpha * d

  # Check for convergence
  if np.linalg.norm(gradient) < tol:
    break

  # Store the gradient for the next iteration
  gradient_old = gradient





# Newton's method 를 이용하여 구하기
# Initialize the weights
w = np.zeros(X.shape[1])

# Set the number of iterations
num_iterations = 100

# Set the tolerance
tol = 1e-6

# Perform Newton's method
for i in range(num_iterations):
  # Calculate the predictions
  y_pred = 1 / (1 + np.exp(-X @ w))

  # Calculate the gradient
  gradient = X.T @ (y_pred - y_training)

  # Calculate the Hessian matrix
  H = X.T @ (y_pred * (1 - y_pred) * X)

  # Calculate the update
  update = np.linalg.solve(H, -gradient)

  # Update the weights
  w = w + update

  # Check for convergence
  if np.linalg.norm(gradient) < tol:
    break





# Calculate the predictions
y_pred = 1 / (1 + np.exp(-X @ w))

# Convert probabilities to binary predictions
y_pred_binary = (y_pred > 0.5).astype(int)





# AND gate 를 로지스틱 회귀모델로 학습하기
# Define the input data
X = np.array([[0, 0], [0, 1], [1, 0], [1, 1]])

# Define the output data
y = np.array([0, 0, 0, 1])

# Add a column of ones to X for the bias term
X = np.c_[np.ones(X.shape[0]), X]

# Initialize the weights
w = np.zeros(X.shape[1])

# Set the learning rate
learning_rate = 0.1

# Set the number of iterations
num_iterations = 1000

# Perform gradient descent
for i in range(num_iterations):
  # Calculate the predictions
  y_pred = 1 / (1 + np.exp(-X @ w))
  # Calculate the error
  error = y_pred - y
  # Calculate the gradient
  gradient = X.T @ error / len(y)
  # Update the weights
  w = w - learning_rate * gradient

# Calculate the predictions
y_pred = 1 / (1 + np.exp(-X @ w))

# Print the predictions
print(y_pred)

# Define the validation data
X_val = np.array([[0, 0], [0, 1], [1, 0], [1, 1]])

# Define the output data
y_val = np.array([0, 0, 0, 1])

# Add a column of ones to X_val for the bias term
X_val = np.c_[np.ones(X_val.shape[0]), X_val]

# Calculate the predictions for the validation data
y_pred_val = 1 / (1 + np.exp(-X_val @ w))

# Convert probabilities to binary predictions
y_pred_binary = (y_pred_val > 0.5).astype(int)

# Compare the predictions to the actual values
print(y_pred_binary == y_val)






# 뉴럴 네트워크
# 1개의 입력층, 1개의 은닉층, 1개의 출력층

import numpy as np

# Define the sigmoid activation function
def sigmoid(x):
  return 1 / (1 + np.exp(-x))

# Define the derivative of the sigmoid function
def sigmoid_derivative(x):
  return x * (1 - x)

# Define the neural network class
class NeuralNetwork:
  def __init__(self, input_size, hidden_size, output_size):
    # Initialize the weights
    self.weights1 = np.random.randn(input_size, hidden_size)
    self.weights2 = np.random.randn(hidden_size, output_size)

  def forward(self, X):
    # Calculate the output of the hidden layer
    self.hidden_layer_output = sigmoid(np.dot(X, self.weights1))
    # Calculate the output of the output layer
    self.output = sigmoid(np.dot(self.hidden_layer_output, self.weights2))
    return self.output

  def backward(self, X, y, output):
    # Calculate the error in the output layer
    self.output_error = y - output
    # Calculate the derivative of the output layer
    self.output_delta = self.output_error * sigmoid_derivative(output)
    # Calculate the error in the hidden layer
    self.hidden_layer_error = self.output_delta.dot(self.weights2.T)
    # Calculate the derivative of the hidden layer
    self.hidden_layer_delta = self.hidden_layer_error * sigmoid_derivative(self.hidden_layer_output)
    # Update the weights
    self.weights2 += self.hidden_layer_output.T.dot(self.output_delta)
    self.weights1 += X.T.dot(self.hidden_layer_delta)

  def train(self, X, y, num_iterations):
    for i in range(num_iterations):
      # Perform forward propagation
      output = self.forward(X)
      # Perform backward propagation
      self.backward(X, y, output)



# Define the input data
X = np.array([[0, 0], [0, 1], [1, 0], [1, 1]])

# Define the output data
y = np.array([[0], [1], [1], [0]])

# Create a neural network with 2 input neurons, 2 hidden neurons, and 1 output neuron
nn = NeuralNetwork(2, 2, 1)

# Train the neural network
nn.train(X, y, 10000)

# Define the validation data
X_val = np.array([[0, 0], [0, 1], [1, 0], [1, 1]])

# Predict the output for the validation data
y_pred = nn.forward(X_val)

# Print the predictions
print(y_pred)

# Convert probabilities to binary predictions
y_pred_binary = (y_pred > 0.5).astype(int)

# Compare the predictions to the actual values
print(y_pred_binary == y)







추천 비추천

0

고정닉 0

0

댓글 영역

전체 댓글 0
등록순정렬 기준선택
본문 보기

하단 갤러리 리스트 영역

왼쪽 컨텐츠 영역

갤러리 리스트 영역

갤러리 리스트
번호 제목 글쓴이 작성일 조회 추천
설문 지금 결혼하면 스타 하객 많이 올 것 같은 '인맥왕' 스타는? 운영자 24/10/28 - -
8708877 주보돌이의 진실에 눈이 떠버림. [19] 아현.갤로그로 이동합니다. 02:45 95 0
8708876 학교에 진짜 넘사급으로 이쁜애 잇음 외힙추천갤로그로 이동합니다. 02:45 32 0
8708875 베라섭 검먹 태워주실 분 있나요 @@@ ㅇㅇ갤로그로 이동합니다. 02:45 23 0
8708873 근데 왜 신창섭한테 불만을가짐??? 메갤러(58.141) 02:45 24 0
8708871 와 마도서랑 같이 껴도 22골클벨에밀리네 [2] ㅇㅇ(182.231) 02:44 38 0
8708869 잘 시간이다 디비자라 쟁취갤로그로 이동합니다. 02:44 28 0
8708868 도인비 내년에 DRX오려면 욕좀 줄여야되는데 걱정이네 [3] 박진혁갤로그로 이동합니다. 02:44 70 0
8708867 큐브 판매 중지이지만 우회해서 팔겠음 메갤러(112.162) 02:44 23 0
8708866 도인비가 ㄹㅇ 능력이 좋긴한가봄 고양이갤러리갤로그로 이동합니다. 02:44 45 0
8708865 식사는하자 [10] 제롱갤로그로 이동합니다. 02:44 37 1
8708864 맑음이 귀상어 2.5 참다랑어 1 된다 그랫는데 난 안 됨 [2] 얘들아안농갤로그로 이동합니다. 02:44 32 0
8708862 김창섭 큐브 메소화 이후 매출 전략 보고서 메겔러1(175.199) 02:42 51 0
8708860 도인비가 진짜 모든 롤프로중 제일 부러움 [2] 고양이갤러리갤로그로 이동합니다. 02:42 55 0
8708859 고닉 알람해두고 비추하면 쾌감 좀 지림ㅋㅋ 해보셈 다들 [13] Zoldyck갤로그로 이동합니다. 02:42 62 0
8708858 저를 병신으로 갤메모 해주실 분? [16] 초서갤로그로 이동합니다. 02:42 74 0
8708857 지금 팔아야되냐 [4] 하루에커피몇샷갤로그로 이동합니다. 02:41 41 0
8708855 내일 혼자 공포영화나 보러갈까?... [1] ㅇㅇ(58.124) 02:41 33 0
8708854 290까지 먹는 모든 메소와 주보메소로 코강하고 [4] 쟁취갤로그로 이동합니다. 02:41 34 0
8708853 1천더살까ㅇㅇ [19] 성교육영재반갤로그로 이동합니다. 02:41 93 0
8708852 와근데 도인비 중국어 진짜 존나잘하네 [6] 박진혁갤로그로 이동합니다. 02:41 64 0
8708851 이 돼지같은 오즈련. [3] 아현.갤로그로 이동합니다. 02:41 45 0
8708850 GS라면 새로나왔네 [2] 이로오라갤로그로 이동합니다. 02:40 43 0
8708849 아니내가딴갤에서억울하게욕먹고비추20개받아봤거든 [2] うめだ갤로그로 이동합니다. 02:40 55 4
8708847 ㄴㄴㅇㅇㅇ 고양이갤러리갤로그로 이동합니다. 02:40 15 1
8708846 ㄴ 저능아면 위로추 ㅇㅇ갤로그로 이동합니다. 02:40 17 1
8708844 팩트는 아직 팔만하다는거임 [6] ㅇㅇ갤로그로 이동합니다. 02:40 58 0
8708843 지급 리부트 메포 얼만지 아는 사람 [2] 디노갤로그로 이동합니다. 02:39 42 0
8708842 근우 메소파는거 보고 메소올려놨다 [4] 나로갤로그로 이동합니다. 02:39 68 0
8708841 내가 애용하는 디씨콘모음 [8] 박진혁갤로그로 이동합니다. 02:39 39 0
8708840 비추처누르라니깐존나말안듣고말대꾸하네좆뉴비들이 [4] うめだ갤로그로 이동합니다. 02:38 53 8
8708839 아니 이거 개웃기넹ㅋㅋㅋㅋㅌㅋㅌㅋㅌㅋㅋㅋㅋ [9] 초서갤로그로 이동합니다. 02:38 67 0
8708838 우리아빠 나이핑계대면서 엑샐어렵다고 나보고해달라하는데 이거짬처리아님? [4] 고양이갤러리갤로그로 이동합니다. 02:38 38 0
8708837 내가봤을때 겨울에 "거래가능" 관련해서 큰거온다.. [4] ㅇㅇ(121.168) 02:38 96 0
8708836 아니아무리 한국이 먹튀국가라지만 ㅅㅂ ㅇㅇ갤로그로 이동합니다. 02:38 22 0
8708833 크선족들아 힘내서 1600까지 ㄱㄱ [8] 성교육영재반갤로그로 이동합니다. 02:37 63 0
8708832 템환-헥환 1000대 돌입 ㅇㅇ(210.113) 02:37 18 0
8708831 22앱솔 가격 측정좀 해주세요 [6] 메갤러(61.105) 02:37 51 0
8708830 [5] うめだ갤로그로 이동합니다. 02:37 50 5
8708829 ㄴ크로아새끼면비추 うめだ갤로그로 이동합니다. 02:37 20 0
8708828 도인비는 그 특유의말트가 존나웃김 ㅋㅋ [9] 박진혁갤로그로 이동합니다. 02:37 57 0
8708827 크로아가 부럽다 [2] ㅇㅇ갤로그로 이동합니다. 02:37 47 3
8708826 오리발 4렙 공기통5렙 쾌적함 메갤러(175.114) 02:36 20 0
8708825 어차피 접지도 못할거 코강이나 하자고 [2] 쟁취갤로그로 이동합니다. 02:35 28 0
8708824 난돼지갈비집혼밥 쉽던데 [3] 박진혁갤로그로 이동합니다. 02:35 46 0
8708822 난 고기혼밥은 자주때렸는데 뷔페는 ㅅㅂ 어케함 ㄹㅇ [8] 안무는모기야갤로그로 이동합니다. 02:35 61 0
8708821 지금 이 겜 적당히 즐길거 다 즐길려면 전투력 몇만이 가성비임? [3] 팦크예거(125.240) 02:34 43 0
8708820 이거어따씀? [5] 박진혁갤로그로 이동합니다. 02:34 46 0
8708819 아니 최근에 템 샀는데 ㄹㅇ 잘한 선택같음.. [2] Zoldyck갤로그로 이동합니다. 02:34 51 0
8708818 근데 쿠우쿠우같은데 혼자가면 눈차보이긴하더라 [2] 고양이갤러리갤로그로 이동합니다. 02:34 32 1
8708816 주차쌀먹하면 20단이 될수밖에 없는구조구나 ㅇㅇ(116.32) 02:33 20 0
갤러리 내부 검색
제목+내용게시물 정렬 옵션

오른쪽 컨텐츠 영역

실시간 베스트

1/8

뉴스

디시미디어

디시이슈

1/2