기본 콘텐츠로 건너뛰기

[ML] 결정트리(Decision Tree) 모델

[python 클래스] 솟수찾기

솟수는 1과 자신외에 나눌 수 없는 정수입니다.
즉, 1과 자신의 수외에 인수가 없는 정수입니다.
어떤 수 x가 솟수인지를 결정하기 위해 다음 생각을 코딩할 수 있습니다.
1) x=1 → 솟수
2) [2, x-1] 사이에 x를 나눌 수 있는 수 즉, 인수가 없다면 → 솟수

def CheckPrimeNumber_fun(x):
        if abs(x)>1:
            for i in range(2,x):
                if x % i ==0:
                    print(x,"는 소수가 아닙니다.")
                    break
            else:
                print(x,"는 솟수입니다.")
        else:
            print(x,"는 솟수입니다.")

CheckPrimeNumber_fun(97)    
     97 는 솟수입니다.

위 함수(코드)를 사용하여
일정한 범위에서 솟수들을 결정하기 위한 다른 함수를 작성하기 위해서
위 코드를 class로 작성한 후 이 클래스를 상속받는 서브클래스를 작성합니다.
클래스 작성에서 초기값을 지정하기 위해 생성자(constructor)를 사용합니다.

생성자
__init__ : 클래스에 매개변수를 전달합니다.

class CheckPrimeNumber:
    def __init__(self, x):  #초기값등을 위한 생성자(__inti__)
        self.x=x
    def prime(self):
        re=False
        if abs(self.x)>1:
            for i in range(2,self.x):
                if self.x % i ==0:
                    re=False
                    break
            else:
                re=True
        else:
            re=True
        return(re)

class rangePrimeNumber(CheckPrimeNumber):
    def __init__(self, obj):
        self.obj=obj
    def pn_range(self):
        pn=[]
        for i in self.obj:
            x=CheckPrimeNumber(i)
            if (x.prime() == True):
                pn.append(i)
        return(pn)

pn=CheckPrimeNumber(3)
     True

da=[12, 4, 7, 19, 21, 1097]
pn2=rangePrimeNumber(da)
pn2.pn_range()
     [7, 19, 1097]

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