기본 콘텐츠로 건너뛰기

[ML] 결정트리(Decision Tree) 모델

[python]문(Statement)과 식(Expressions)

문(Statement)과 식(Expressions)

파이썬 인터프리터(해석기)가 실행할 수 있는 명령을 문(statement)이라고 합니다. 문의 실행에 어떤 결과도 반환되지 않습니다.

x=3

x라는 객체에 3을 할당하는 것으로 할당문(assignment statement)라고 하며 객체 x는 3을 참조한다는 것을 암묵적으로 선언하는 것으로 그 자체로는 어떤 결과를 나타내지 않습니다. 결과를 확인하기 위해서는 x를 다시 호출하여야 합니다.

x
3

위 코드와 같이 문은 결과를 직접적으로 반환(return)하지 않습니다. 그러나 print() 함수를 사용하여 같이 결과를 출력할 수는 있습니다. 파이썬에서 결과를 나타내는 방법을 두가지 용어("반환", "출력")로 표현합니다. 반환과 출력은 모니터에서 그 결과를 확인한다는 공통점이 있지만 반환(return)은 결과를 반환시키는 객체를 참조하는 등 재사용할 수 있지만 출력의 경우 그 객체를 다시 사용할 수 없습니다.

반환은 내장함수인 return(결과)를 사용합니다.

다음 코드들에서 y는 3과 7의 더하기 연산의 결과로 객체 z이 참조할 수 있는 객체가 됩니다. 반대로 print()문의 결과를 객체 a에 할당하는 명령에서 a는 어떤 결과도 갖지 않습니다. 즉, print() 문에 의한 결과는 출력된 후에 메모리에 저장되지 않고 사라집니다. 이러한 결과의 발생을 출력이라고 합니다.

y=3+7
y
10
z=13+y
z
23
a=print("이것은 출력입니다.")
이것은 출력입니다.
a

결과적으로 문에 의한 결과의 반환은 명시적으로 이루어지지 않습니다. 반면에 식(expression)은 결과를 명시적으로 나타냅니다.

단일한 값을 반환하는 명령(코드)을 식(expression)이라고 합니다. 위 코드 'y=3+7'에서 '3+7'은 다음과 같이 단일한 결과를 반환하므로 식이됩니다.

3+7
10

결국 'y=3+7'는 개체 y에 '3+7'식을 할당한 것으로 전체적으로 식을 포함한 할당문이 됩니다.

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