[TIL] 내일배움캠프 AI 9기 - 16회

🐶 학습 범위

• 학습반 과제 (파이썬)
• AI 수학 강좌
• 머신러닝 학습

 

🐶 공부 내용

✨ 학습반 과제 - 파이썬 문제 (함수)

✔️ # 숙제 - 73
# 1000개 이상의 숫자를 받아 더해주는 함수 만드세요
def add(*args):
    print(sum(args))

add(*range(1000))

# [Error Case]
# ---------------------
# def add(*args):
#     print(sum(args))
# 
# add(range(1000))
# ---------------------
# add() 호출부에 add(range(1000)) 다음과 같이 던질 경우,
# 개별 인자 값이 아닌 객체 자체가 넘어가게 된다. (그래서 sum에서 에러 발생)
# 이를 앞에 *를 붙임으로 언패킹 후, 처리하면 에러가 나지 않는다.
# 
# [결론]
# *는 Python에서 매우 강력한 도구로, 다양한 상황에서 유용하게 활용
# Iterable(예: 리스트, 튜플, range)의 요소를 풀어서 함수에 전달

✔️ 숙제 - 78
# 문자열에서 모음의 개수를 세어 반환하는 함수
def count_vowels(s):
    vowels = "aeiouAEIOU"  # 대소문자 모음 정의
    return sum(1 for char in s if char in vowels)

print(count_vowels("hello world"))

✔️ 숙제 - 88
# 정수를 받아 그 정수의 팩토리얼을 계산하는 재귀함수
def factorial(n):
    if n == 1:
        return 1
    return n * factorial(n-1)

factorial(3)

✔️ 숙제 - 91
# 숫자 리스트를 받아 재귀적으로 최대 값을 찾는 함수
def lstMax(lst):
    if len(lst) == 0:
        return 0
    return max(lst[0], lstMax(lst[1:]))

lstMax([1, 5, 4, 3, 4])
for v in data.values():
    # isinstance :: 값이 숫자인지 확인
    if isinstance(v, (int, float)): # 숫자이면 그대로 더하기
        answer += v
    else:
        answer += int(v)            # 숫자가 아니면 형변환

print(answer)

 

✨ k-최근접 이웃 회귀 실습

import matplotlib.pyplot as plt                         # 맷플롯립
import numpy as np                                      # 넘파이
from sklearn.neighbors import KNeighborsRegressor       # k-최근접 이웃 회귀 모델
from sklearn.model_selection import train_test_split    # 훈련/테스트 모델 생성

# 샘플 데이터 (길이)
perch_length = np.array([8.4, 13.7, 15.0, 16.2, 17.4, 18.0, 18.7, 19.0, 19.6, 20.0, 21.0,
       21.0, 21.0, 21.3, 22.0, 22.0, 22.0, 22.0, 22.0, 22.5, 22.5, 22.7,
       23.0, 23.5, 24.0, 24.0, 24.6, 25.0, 25.6, 26.5, 27.3, 27.5, 27.5,
       27.5, 28.0, 28.7, 30.0, 32.8, 34.5, 35.0, 36.5, 36.0, 37.0, 37.0,
       39.0, 39.0, 39.0, 40.0, 40.0, 40.0, 40.0, 42.0, 43.0, 43.0, 43.5,
       44.0])
# 샘플 데이터 (무게)
perch_weight = np.array([5.9, 32.0, 40.0, 51.5, 70.0, 100.0, 78.0, 80.0, 85.0, 85.0, 110.0,
       115.0, 125.0, 130.0, 120.0, 120.0, 130.0, 135.0, 110.0, 130.0,
       150.0, 145.0, 150.0, 170.0, 225.0, 145.0, 188.0, 180.0, 197.0,
       218.0, 300.0, 260.0, 265.0, 250.0, 250.0, 300.0, 320.0, 514.0,
       556.0, 840.0, 685.0, 700.0, 700.0, 690.0, 900.0, 650.0, 820.0,
       850.0, 900.0, 1015.0, 820.0, 1100.0, 1000.0, 1100.0, 1000.0,
       1000.0])
       
# 훈련/테스트 데이터 생성 (타겟 포함)
train_input, test_input, train_target, test_target = train_test_split(perch_length, perch_weight, random_state=42)
print(train_input.shape, test_input.shape)
print(train_target.shape, test_target.shape)

# 훈련/테스트 데이터 구조 변경 (1차원 → 2차원)
train_input = train_input.reshape(-1, 1)
test_input = test_input.reshape(-1, 1)
print(train_input.shape, test_input.shape)    

# k-최근접 이웃 모델 생성 (이웃: 3으로 설정)
knr = KNeighborsRegressor(n_neighbors=3)

# 훈련 데이터 학습
knr.fit(train_input, train_target)

# 테스트 데이터 평가
print(knr.score(test_input, test_target)) # 0.9746459963987609

# 데이터 예측 (50으로 예측)
print(knr.predict([[50]])) # 1033.33333333

# 이웃 거리 및 인덱스 구하기 (3으로 설정되어 있음)
distances, indexes = knr.kneighbors([[50]])
print(distances) # [[6. 7. 7.]]
print(indexes) # [[34  8 14]]

# 이웃 샘플의 타깃의 평균 (예측값과 동일함을 알 수 있다.)
print(np.mean(train_target[indexes])) # 1033.3333333333333

# 시각화 (길이가 커질수록 무게가 증가하는 경향 확인 가능)
plt.scatter(train_input, train_target)
plt.scatter(test_input, test_target)
plt.scatter(train_input[indexes], train_target[indexes], marker='D')
plt.scatter(50, 1033, marker='^')
plt.xlabel('length')
plt.ylabel('weight')
plt.show()

실습을 하면서, 일반 모델과 회귀 모델에 차이점을 제대로 생각하지 않다가
엄청 고생을 했다. 공부를 진행할 때, 이전에 내용을 분명히 인지하면서 와야 되는
중요성을 한번 더 깨달으며 실습을 마무리 한다. 

 

 

🐶 느낀점

1. 개인과제가 시작해볼까? (💣 💣 )
2. 수학을 본격적으로 시작해봐야겠다.. (수포자의 업보.. 💣 💣 💣  )
3. 유독 머리에 안들어오는 오늘.. (안돼애애애애애애 💣 💣 💣 💣 💣 )