기본 콘텐츠로 건너뛰기

[ML] 결정트리(Decision Tree) 모델

[python] 클래스메서드(Classmethod)

클래스 메소드(Class method)

메소드(method)는 인수 self를 사용하여 서로 연결되어 있습니다. 그러므로 그 메소드의 동작은 클래스에 전달되는 인수들로 한정됩니다. 그러나 self와 연결되지 않은 인스턴스와는 별개의 인수들에 작동하는 특별한 메소드를 사용할 수 있습니다. 함수처럼 사용할 수 있는 메서드들을 클래스 메서드(classmethod)와 정적 메서드(staticmethod)라고 합니다.

클래스 메서드

다음의 클래스 desStatis1의 메서드들은 객체의 크기, 합, 평균과 분산 그리고 표준편차를 계산할 수 있습니다.

class desStatis1:
    def __init__(self, a):
        self.a = a
    def size(self):
        self.sz=len(self.a)
        return(self.sz)
    def sum(self):
        tot=0
        for i in self.a:
            tot +=i
        self.tot=tot
        return(self.tot)
    def mean(self):
        self.mu=self.sum()/self.size()
        return(self.mu)
    def var(self):
        var1=0
        mu=self.mean()
        for i in self.a:
            var1 += (i-mu)**2
        self.var=var1/len(self.a)
        self.std=pow(self.var, 0.5)
        return([self.var, self.std]) 

다음 객체 x는 자료 a에 대해 클래스 desStatis1를 적용한 인스턴스입니다.

import numpy as np
np.random.seed(3)
a=np.random.randint(50, 101, 20)
x=desStatis1(a)
x.mean()
74.2
x.var()
[185.56, 13.622040963086258]
x.size()
20
x.sum()
1484

위 클래스를 사용하여 다른 자료 b에 대해 메소드.mean()을 사용하기 위해서는 새로운 인스턴스를 생성해야 합니다. 그 메소드의 경우 새로운 인수를 받을 수 없기 때문입니다. 이 경우 사용자는 장식자(decorator)인 클래스 메소드를 적용합니다. 클래스 메서드(classmethod)는 인스턴스와 연결없이 클래스 자체에 직접 연결됩니다. 그러므로 인수 self로 연결되는 다른 메소드와 유리된 상태로 작동합니다.

클래스 메서드는 식 1과 같이 장식자 @classmethod를 대상이 되는 메서드의 직전에 첨가하여 작성합니다. 클래스 메소드에 전달되는 첫번째 인수 clf는 인스턴스와 연결된 self와 유사한 성격의 인수이지만 클래스 자체와 직접 연결된 것으로 객체 self와는 별개의 독립적인 인수입니다.

@classmethod
def method_name(clf, 인수, …):
    내 용
(식 1)

다음 클래스 desStatis는 클래스 desStatis1와 같은 메소드들을 가지지만 .mean()을 클래스 메소드로 운영합니다. 그러므로 이 메소드에 새로운 자료가 인수로 전달될 수 있습니다.

class desStatis:
    def __init__(self, a):
        self.a = a
    def size(self):
        self.sz=len(self.a)
        return(self.sz)
    def sum(self):
        tot=0
        for i in self.a:
            tot +=i
        self.tot=tot
        return(self.tot)
    @classmethod
    def mean(clf, a):
        clf.mu=desStatis(a).sum()/desStatis(a).size()
        return(clf.mu)
    def var(self):
        var1=0
        mu=self.mean(self.a)
        for i in self.a:
            var1 += (i-mu)**2
        self.var=var1/self.size()
        self.std=pow(self.var, 0.5)
        return([self.var, self.std])
y=desStatis(a)
y.sum() # 자료 a에 대한 결과
1484
import numpy as np
np.random.seed(4)
b=np.random.randint(50, 101, 20)
y.mean(b) # 자료 b에 대한 결과
78.5

위 코드는 다른 자료 b의 평균을 계산하기 위해 인스턴스 y에서 메소드 .mean()를 적용했습니다. 그러나 이 메소드는 새로운 인수를 받아 인스턴스 y와는 다르게 클래스 자체를 사용하는 것입니다. 이러한 경로를 위해 이 메소드는 첫 번째 인수로 self가 아닌 clf를 전달받습니다. 그러므로 다음과 같이 클러스 이름으로 직접 실행이 이루어집니다.

np.random.seed(4)
b=np.random.randint(50, 101, 20)
desStatis.mean(b)
78.5

자료 a에 대한 평균은 인수로 a를 전달하여 계산해야 합니다. 그러나 이 결과는 여전히 인스턴스 y에 소속된 것이 아닙니다. 다시 말하면 메소드 .mean()은 다른 클래스와는 유리되어 독립적으로 사용할 수 있는 함수와 같이 사용할 수 있는 메서드입니다.

y.mean(a) # 자료 a에 대한 결과
74.2

위 실행과 같이 클래스메서드는 인스턴스가 아닌 클래스 자체와 직접 연결되어 적용합니다. 결과적으로 calssmethod는 메소드를 함수로 사용하기 위한 장치입니다.

다음 코드는 메소드 .var()를 적용한 것으로 이 메소드 내에 호출하여 사용하는 self.mean()은 인스턴스 y에 소속된 메서드입니다. 그러므로 이 메서드의 결과는 자료 b에 대한 것이 아닌 a에 대한 결과입니다.

y.var() # 자료 a에 대한 결과 
[185.56, 13.622040963086258]

self와 마찬가지로 그 인수 이름 clf는 고유명사가 아니므로 다른 용어를 사용할 수 있습니다.

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