재획하면서 공부하기 #5

ㅇㅇ · 2024.09.02 00:07:34

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 #1 - 메이플스토리 갤러리

regressionclassificationX : INPUTx1, x2, x3 ... : featureY : OUTPUTY = F(X)ex) Y = w1x1 + w2x2 + ew1, w2 : weight, parame

gall.dcinside.com

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

https://youtu.be/YIgLpsJ-1J4

# 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)

번호	제목	글쓴이	작성일	조회	추천
설문	지금 결혼하면 스타 하객 많이 올 것 같은 '인맥왕' 스타는?	운영자	24/10/28	-	-
8708561	밍밍부인이 가지고싶다 [6]	ㅇㅇ	01:46	45	0
8708560	세더다 헌티드 다잼는대 [1]	대깨비	01:46	34	0
8708559	동양인 현실	ㅇㅇ(106.101)	01:46	28	1
8708558	사단이 자러갈게요 ㅋㅋㅋㅋㄱㄱㅋㅋㅋㄱㅋㅋㄱㅋㅋㅋㄱㅋㅋ [2]	스햐사랑단	01:45	24	0
8708557	루나 18성 쌍드 파풀마 살사람 있냐	메갤러(124.60)	01:45	15	0
8708556	이번주 아즈모스 맵 개잘떴노ㅋㅋㅋ	밥똥메	01:44	18	0
8708555	프라다 여성지갑 얼마정도함 ? 된장남된장녀 업니? [4]	ssd(221.143)	01:44	34	1
8708554	내 주변사람 도박빠지고 표정도잃은거보고 충격먹었음	메갤러(220.74)	01:44	30	0
8708553	갑자기울었음	ㅅㅁ	01:44	19	0
8708552	아니헌티드멘션<<어이없는게. [4]	아현.	01:43	73	0
8708551	념글 꼬라지 뭐냐 ㅋㅋㅋㅋ [1]	ㅇㅇ(180.70)	01:43	27	0
8708549	남돌은해외에서도 취급이똑같네 ㅋㅋ [6]	★!	01:43	96	0
8708547	큐브 메소화 이후 메이플 매출 기획 노출	메겔러1(175.199)	01:43	54	0
8708546	연버님이 더 심란할수밖에 없지 [8]	ㅇㅇ	01:43	62	0
8708545	연버쌤 맛탱이간거개꼴림 ㄹㅇ [4]	거지사요리	01:43	108	1
8708544	메소 팔아도 별로 맛없네 템이나 살까	ㅇㅇ(110.15)	01:42	32	0
8708543	넥슨 메이플 직원들 일안하나? 별나라양말 언제 버그 고침	메갤러(223.38)	01:42	19	1
8708542	메랜 본메 투컴하는중	ㅇㅇ(223.38)	01:42	35	0
8708541	자기야 [1]	공주(220.119)	01:41	33	0
8708540	칠흑떠도 맛없네 [1]	Pure.	01:41	32	0
8708539	양심적으로 크로아하면서 리부트욕하면 안됐지	ㅇㅇ(118.235)	01:41	27	0
8708538	아나 앱솔랩스 마법사 전사 견장 가격차이뭐임?	ㅇㅇ(183.96)	01:41	23	0
8708537	연버쌤 << 쌀값폭락, x이요 고소 등 여러 대형악재 겹쳐.. [2]	안무는모기야	01:41	39	0
8708536	ㅅㅂ 걍 원숭이 전략으로 간다 가만히있기. [11]	엔임나연버	01:40	91	0
8708535	근데 연버 데더다 유기는 좀 많이식은듯하네.. [2]	ㅇㅇ(118.235)	01:40	47	0
8708534	뉴비 메이플 하는중 [1]	메갤러(58.29)	01:40	29	0
8708533	키보드 바꾸니까 하루종일 행복하네 ㅇㅇ... [1]	ㅇㅇ(219.248)	01:40	26	0
8708531	아니연버햄은 ㄹㅇ 김창섭이죽인거라니까 ㅋㅋ [8]	★!	01:39	123	4
8708530	은월 비숍 카인	메갤러(175.223)	01:39	21	0
8708529	쉐파 연봉협상 극적 타협 [4]	머구머구	01:39	55	0
8708528	어제 메소마켓 메포가 너무 오르긴했네요.. [2]	엔임나연버	01:38	133	0
8708527	엔임나연버 이새낀 ㄹㅇ.. [4]	찐수	01:38	74	0
8708525	하 재획하고 노칼이카잡자	ㅇㅇ(118.235)	01:38	25	0
8708524	썬데이 소울 5배해도 요샌 딱히 감흥이없노	ㅇㅇ(180.70)	01:38	21	0
8708522	검먹 연습모드로 체험시켜주실 분	ㅇㅇ	01:38	18	0
8708521	칭호도 좀 간지나게 광휘장신구로 줄때 안됐나 [2]	딴손잡이	01:37	26	0
8708520	실시간 이태원 사진.jpg	ㅇㅇ(121.130)	01:37	67	1
8708518	나눈애기ㅇㅅㅇ	메갤러(211.234)	01:37	14	0
8708517	엘슘 전사템 미트라 루컨마 에테바지 앱솔뚝 ㅍㅍㅍ	거지사요리	01:37	25	0
8708516	본캐로 시그 ㄱㅊ?? [1]	메갤러(58.29)	01:36	36	0
8708515	아니뭔데가면신사련아니가안내했잖아!!!!!!!!!!!!!!!!!!!!! [1]	아현.	01:35	29	0
8708514	출근하기 전에 슼물풍선 던지고 간다	백신예	01:35	27	0
8708513	4년전 괴물쥐 메이플 했던때 나만 그립냐 [7]	ㅇㅇ(218.157)	01:35	68	1
8708512	사냥하다메소마켓기어들어가서보는거너무귀찮 ㄹㅇ [1]	★!	01:35	49	0
8708511	나로 진짜 똥캐릭이야ㅜㅜㅜㅜㅜㅜ [8]	초서	01:34	57	0
8708510	헌티드맨션 개재밌네ㅇㅇ	ㅇㅇ(58.238)	01:34	19	0
8708507	념글로 스카니아에 주화 폭격한다하지 않음?? [3]	ㅇㅇ(106.101)	01:34	74	0
8708506	오늘 썬데이가 뭘까.. [4]	ㅇㅇ(182.231)	01:33	62	0
8708504	내일 점심은 셀프메이드 보끔우동+돈까스	안무는모기야	01:32	17	0
8708503	검솔 보상 빛나길래 드디어 창뱃먹나 싶었는데 [4]	ㅇㅇ(118.235)	01:32	53	0

갤러리 검색

최근 방문

즐겨찾기

즐겨찾기 갤러리

메이플스토리 갤러리

머리말∙꼬리말

머리말∙꼬리말

색상 설정

갤러리 정보

스포일러 경고 설정

제목에서 경고

본문에서 경고

갤러리 이슈박스, 최근방문 갤러리

연관 갤러리

개념글 리스트

차단하기

[메이플스토리 갤러리]

갤러리 본문 영역

재획하면서 공부하기 #5

추천 비추천

댓글 영역

① NFT 발행

② NFT 구매

하단 갤러리 리스트 영역

왼쪽 컨텐츠 영역

갤러리 리스트 영역

페이지 이동

오른쪽 컨텐츠 영역

알림 설정

알림

실시간 베스트

뉴스

디시미디어

디시이슈

개념글[도시]

디시콘 리스트

디시콘

디시콘 검색결과(0)

인기 디시콘

지갑 연결