디시인사이드 갤러리

갤러리 이슈박스, 최근방문 갤러리

갤러리 본문 영역

재획하면서 공부하기 #5

ㅇㅇ갤로그로 이동합니다. 2024.09.02 00:07:34
조회 75 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 - -
8708714 디시 차단 꿀킵 ㅇㅇ차단하기 [14] 고양이갤러리갤로그로 이동합니다. 02:15 63 0
8708713 메소값이 비싸면 스펙업하고 싶고 [4] ㅇㅇ갤로그로 이동합니다. 02:15 62 0
8708712 잘자요 메갤 [5] 베지밀B갤로그로 이동합니다. 02:15 30 0
8708710 본인 크로아인데 크로아에서 주화 교환했응 [3] ㅇㅇ(210.113) 02:14 77 8
8708709 ㄴ고아새끼면 개추 [2] ㅇㅇ갤로그로 이동합니다. 02:14 33 2
8708708 나 통피 다 차단해놨는데 [4] ㅇㅇ(182.231) 02:14 50 0
8708707 스카니아에 오물주화 던진다고 다들 계획짠거 아니였음?? [2] ㅇㅇ(106.101) 02:13 47 0
8708706 팡블레템산애들 지금감가얼마나먹었음? ㅇㅇ(49.236) 02:13 41 0
8708705 전투력 400만인데 스데미 됨? [11] ㅇㅇ갤로그로 이동합니다. 02:13 51 0
8708703 ㅆㅂ 맞춰서 아래층 내려갔는데 이상현상 찾은 횟수 왜 줄어듬 [1] 메갤러(58.237) 02:13 23 0
8708702 조각 99개 모았다 [4] 만두갤로그로 이동합니다. 02:13 34 0
8708701 아즈모스 이후로 풀메제 한번도 채워본적이없음 [4] 박진혁갤로그로 이동합니다. 02:13 42 0
8708700 크악내소중한메소가!! [5] 외힙추천갤로그로 이동합니다. 02:12 51 0
8708699 또율튜브 << 보지마셈 보지말라면 보지마그냥 [2] 안무는모기야갤로그로 이동합니다. 02:12 35 0
8708698 진짜 지명 이 개새끼 [1] ㅇㅇ(106.101) 02:12 53 0
8708697 헌티드멘션 창섭이 개씨발년아 홍어오로라갤로그로 이동합니다. 02:12 41 0
8708696 고등학생인 채인게 뭐가 나쁜건데 [2] 박진혁갤로그로 이동합니다. 02:12 41 0
8708695 크로아 이 씨발 거지새끼들아ㅋㅋㅋㅋㅋㅋㅋㅋㅋ [1] ㅇㅇ(118.235) 02:11 64 0
8708694 헌티드 4번틀리고접음 ㅠ [2] ㅇㅇ(58.29) 02:11 44 0
8708693 하나진짜미치겟네ㅠㅠㅠㅠㅠㅠㅠㅠㅠㅠㅠㅠ [15] 아현.갤로그로 이동합니다. 02:11 75 0
8708692 에테 뽑기식35억메소에 팝니다. [12] 초서갤로그로 이동합니다. 02:11 78 0
8708691 스카랑 루나랑 메소값 거의똑같던데 메갤러(175.197) 02:11 36 0
8708690 개 >> 고양이 ㅍㅌ [14] 쟁취갤로그로 이동합니다. 02:10 55 0
8708689 이런씨발 ㅇㅇ(118.235) 02:10 28 0
8708688 내일 이태원감 ㅇㅇ(1.225) 02:10 21 0
8708687 전사는아직죽지않았어요!! [1] 메갤러(211.168) 02:10 25 0
8708686 헌티드하다 모니터뿌실뻔했네 메갤러(175.114) 02:10 21 0
8708685 딱 원킬컷까지만 스펙업해야지 [2] ㅇㅇ(182.231) 02:09 29 0
8708684 벌써 3시네 빨리 쳐자야겠다 ㅁㅊ [8] Zoldyck갤로그로 이동합니다. 02:09 40 0
8708683 아케인 뚝에 에테 견장으로 4에 5앜 ㄱㅊ?? [3] ㅇㅇ(211.235) 02:09 37 0
8708682 메랜 스론즈 5작띄워서 기분좋음 [16] 스톤멍키갤로그로 이동합니다. 02:09 61 0
8708681 오늘부터 하루에 디시 4시간이상하면 치킨뿌릴게요 [4] 고양이갤러리갤로그로 이동합니다. 02:09 35 0
8708680 아니 근데 데벤이새기들 가격을 절대안내리네 [10] ㅇㅇ(182.231) 02:09 49 0
8708679 아 걍 일어나면 주화 팔아야지 ㅋㅋ [11] 엔임나연버갤로그로 이동합니다. 02:09 119 0
8708678 슼물풍선은 그냥 한줌단이죠 ㅋ ㅇㅇ(58.234) 02:08 23 1
8708676 메붕이가 좋아하는 여캐 ㅇㅇ갤로그로 이동합니다. 02:08 23 0
8708675 자석펫이 너무 뉴비 진입장벽임 [2] 메겔러1(175.199) 02:08 35 0
8708674 오늘의 30분 사냥 수익 [4] 만두갤로그로 이동합니다. 02:08 39 0
8708673 이틀뒤에 해방하는데 축하받을 수 있을까 [13] ㅅㅁ갤로그로 이동합니다. 02:08 54 1
8708672 고문하러가야겟다 [2] 히키갤로그로 이동합니다. 02:07 30 0
8708671 배고프다 [4] 스톤멍키갤로그로 이동합니다. 02:07 43 0
8708670 우리누나 [2] ㅇㅇ갤로그로 이동합니다. 02:07 37 0
8708669 헌티드 만든새끼 븅신인게 1층문은 왜 다르게 해놓음? [3] ㅇㅇ(116.32) 02:07 47 0
8708668 주화 메포시세 반영이 바로 되는 느낌이 아니었는데 [2] ㅇㅇ(1.230) 02:06 96 0
8708666 전사란이런것!!!! [1] 메갤러(211.168) 02:06 28 0
8708665 우와 몽벨먹음 나 착하게 살아서 복 받은거지? [6] ㅇㅇ갤로그로 이동합니다. 02:06 29 0
8708664 내주변사람들은 스스로를 발전시켜 앞으로 나아가는데 [1] 고양이갤러리갤로그로 이동합니다. 02:06 39 0
8708663 데더다 이제 파밍끝나서 재미없네 [7] 박진혁갤로그로 이동합니다. 02:06 64 0
8708662 "랑어" 해버렷다 [12] 피버갤로그로 이동합니다. 02:06 62 0
8708660 여우귀 여캐 <<< 꼴림 ㅇㅇ갤로그로 이동합니다. 02:05 19 0
갤러리 내부 검색
제목+내용게시물 정렬 옵션

오른쪽 컨텐츠 영역

실시간 베스트

1/8

뉴스

디시미디어

디시이슈

1/2