기본 콘텐츠로 건너뛰기

[ML] 결정트리(Decision Tree) 모델

turtle로 정삼각형 그리기

정삼각형 그리기 

turtle로 그림 그리기준비 참조
정삼각형은 세변의 길이와 세 각이 모두 같은 삼각형이지요. 그러므로 다음과 같이 실행하면 되겠지요.
1) 일정 길이 만큼 앞으로 이동
2) 오른쪽(또는 왼쪽)으로 60도 회전
3) 위 1)과 2)의 과정을 3번 반복
>> for i in range(3):
...:     t.fd(100)
...:     t.left(60)
위의 결과는 예상하는 것과는 다르지요. 왜 그럴까요? 처음 시각후 회전하는 각도가 우리가 예산한 것과는 다르기 때문이지요. 분명히 왼쪽으로 60도 회전인데 결과는 이보다 훨씬 큰 각도로 회전하였습니다. 다음 그림을 봅시다.
위의 정삼각형의 내각은 각각 60도이죠. 내각의 각각의 선을 연장하면 각 내각의 반대각은 120도(=180-60)입니다. 위 그림의 빨간색으로 나타낸 것으로 이것을 각 내각에 대응하는 외각이라고 합니다. 삼각형의 내각의 합은 180도 인데 반해 외각의 합은 360도이지요. 사실 터틀을 사용해 그림을 그릴때 회전은 내각을 기준으로 하지요. 예를들어 left(60)인 경우 터틀의 회전각도는 왼쪽으로 60도이므로 실제로 그려지는 것은 120도 회전된 선이 그려지는 것입니다. 그러므로 다음을 기억해야 합니다.
left(), right()에 전달하는 각도는 내각이 아니라 외각입니다.
삼각형을 그리기위해서는 위의 코드는 다음과 같이 변경되어야 합니다.
>> for i in range(3):
...:     t.fd(100)
...:     t.left(180-60)
정삼각형을 그리는 함수를 작성해 보죠. 위 코드에서 정삼각형의 길이만이 변할 수 있는 수이지요. 그러므로 아래 함수에서 인수는 길이입니다.
def EquitriangleS(t, length):
    for i in range(3):
        t.fd(length)
        t.left(180-60)
>>> EquitriangleS(t, 100)
위와 같은 삼각형이 그려집니다. 

댓글

이 블로그의 인기 게시물

[Linear Algebra] 유사변환(Similarity transformation)

유사변환(Similarity transformation) n×n 차원의 정방 행렬 A, B 그리고 가역 행렬 P 사이에 식 1의 관계가 성립하면 행렬 A와 B는 유사행렬(similarity matrix)이 되며 행렬 A를 가역행렬 P와 B로 분해하는 것을 유사 변환(similarity transformation) 이라고 합니다. $$\tag{1} A = PBP^{-1} \Leftrightarrow P^{-1}AP = B $$ 식 2는 식 1의 양변에 B의 고유값을 고려한 것입니다. \begin{align}\tag{식 2} B - \lambda I &= P^{-1}AP – \lambda P^{-1}P\\ &= P^{-1}(AP – \lambda P)\\ &= P^{-1}(A - \lambda I)P \end{align} 식 2의 행렬식은 식 3과 같이 정리됩니다. \begin{align} &\begin{aligned}\textsf{det}(B - \lambda I ) & = \textsf{det}(P^{-1}(AP – \lambda P))\\ &= \textsf{det}(P^{-1}) \textsf{det}((A – \lambda I)) \textsf{det}(P)\\ &= \textsf{det}(P^{-1}) \textsf{det}(P) \textsf{det}((A – \lambda I))\\ &= \textsf{det}(A – \lambda I)\end{aligned}\\ &\begin{aligned}\because \; \textsf{det}(P^{-1}) \textsf{det}(P) &= \textsf{det}(P^{-1}P)\\ &= \textsf{det}(I)\end{aligned}\end{align} 유사행렬의 특성 유사행렬인 두 정방행렬 A와 B는 'A ~ B' 와 같

[matplotlib] 히스토그램(Histogram)

히스토그램(Histogram) 히스토그램은 확률분포의 그래픽적인 표현이며 막대그래프의 종류입니다. 이 그래프가 확률분포와 관계가 있으므로 통계적 요소를 나타내기 위해 많이 사용됩니다. plt.hist(X, bins=10)함수를 사용합니다. x=np.random.randn(1000) plt.hist(x, 10) plt.show() 위 그래프의 y축은 각 구간에 해당하는 갯수이다. 빈도수 대신 확률밀도를 나타내기 위해서는 위 함수의 매개변수 normed=True로 조정하여 나타낼 수 있다. 또한 매개변수 bins의 인수를 숫자로 전달할 수 있지만 리스트 객체로 지정할 수 있다. 막대그래프의 경우와 마찬가지로 각 막대의 폭은 매개변수 width에 의해 조정된다. y=np.linspace(min(x)-1, max(x)+1, 10) y array([-4.48810153, -3.54351935, -2.59893717, -1.65435499, -0.70977282, 0.23480936, 1.17939154, 2.12397372, 3.0685559 , 4.01313807]) plt.hist(x, y, normed=True) plt.show()

R 미분과 적분

내용 expression 미분 2차 미분 mosaic를 사용한 미분 적분 미분과 적분 R에서의 미분과 적분 함수는 expression()함수에 의해 생성된 표현식을 대상으로 합니다. expression expression(문자, 또는 식) 이 표현식의 평가는 eval() 함수에 의해 실행됩니다. > ex1<-expression(1+0:9) > ex1 expression(1 + 0:9) > eval(ex1) [1] 1 2 3 4 5 6 7 8 9 10 > ex2<-expression(u, 2, u+0:9) > ex2 expression(u, 2, u + 0:9) > ex2[1] expression(u) > ex2[2] expression(2) > ex2[3] expression(u + 0:9) > u<-0.9 > eval(ex2[3]) [1] 0.9 1.9 2.9 3.9 4.9 5.9 6.9 7.9 8.9 9.9 미분 D(표현식, 미분 변수) 함수로 미분을 실행합니다. 이 함수의 표현식은 expression() 함수로 생성된 객체이며 미분 변수는 다음 식의 분모의 변수를 의미합니다. $$\frac{d}{d \text{변수}}\text{표현식}$$ 이 함수는 어떤 함수의 미분의 결과를 표현식으로 반환합니다. > D(expression(2*x^3), "x") 2 * (3 * x^2) > eq<-expression(log(x)) > eq expression(log(x)) > D(eq, "x") 1/x > eq2<-expression(a/(1+b*exp(-d*x))); eq2 expression(a/(1 + b * exp(-d * x))) > D(eq2, "x") a * (b * (exp(-d * x) * d))/(1 + b