기본 콘텐츠로 건너뛰기

[ML] 결정트리(Decision Tree) 모델

[python] 생성자(Constructor)

생성자(constructor)

생성자(constructor)는 클래스의 실행을 위한 인수들을 전달하기 위한 장치입니다.

다음 클래스는 기사 "클래스의 정의"에서 소개한 코드입니다.

class simpleStatistic:
    """데이터의 합계, 평균, 중간값, 최빈값, 
    그리고 표준편차를 계산합니다."""
    subject="math" 
    def __init__(self, obj):
        self.obj=obj 
    def sum(self): 
        total=0
        for i in self.obj:
            total +=i
        self.total=total 
        return(self.total)
    def mean(self): 
        tot=self.sum()
        self.mu=tot/len(self.obj)
        return(self.mu)
    def median(self):
        value=sorted(self.obj)
        n=int(len(value)/2)
        if n % 2 ==0:
            med=(value[n-1]+value[n])/2
        else:
            med=value[n]
        self.med=med
        return(self.med)
    def mode(self):
        re={}
        for i in self.obj:
            re[i]=self.obj.count(i)
        v=list(re.values())
        k=list(re.keys())
        self.mod=k[v.index(max(v))]
        return(self.mod)

    def std(self, df=0):
        n=len(self.obj)-df
        mu=self.mean()
        sd=0
        for i in self.obj:
            sd += (i-mu)**2
        self.sd=(sd/n)**(1/2)
        return(self.sd) 

위 클래스 simpleStatistic은 호출과 함께 데이터 x를 전달받습니다. 이 과정은 클래스 생성시 부여되는 내장 메소드인 __init__()를 활성화시키는 것으로 이루어 집니다. 이 메소드는 클래스 호출과 함께 실행되는 것으로 클래스의 첫번째 메소드인 def __init__()에 의해 구현되므로 이를 통해 클래스 실행에 필요한 인수(들)를 전달할 수 있습니다. 즉, 클래스를 초기화합니다. 생성자를 통해 전달받은 인수를 클래스의 모든 특성과 연결되는 인수(객체)인 self에 저장하므로 클래스 전체에서 사용할 수 있습니다.

다음은 피보나치 수열을 생성하기 위한 클래스의 일부로 수열의 범위를 지정하기 위한 인수를 생성자에 전달한 것입니다.

class Fib:
        ''' iterator that yields numbers in the Fibonacci sequence''' # ①
        def __init__(self, mx): # ②
            self.mx=mx
            if self.mx <  0:
                raise ValueError("maximum should be positive.") #③
  • ① 클래스에 대한 간략한 설명 즉, docstring 입니다.
  • ② __init__() 메소드는 클래스 개체인 인스턴스를 생성하면서 호출됩니다. 즉, 인스턴스 생성시 첫번째로 실행되는 코드입니다. 이 메소드의 인수 중 첫번째 인수는 self입니다. 이것은 클래스의 모든 부분들을 참조하는 객체(인수)입니다.
  • ③ 함수 raise()은 특정 조건에 에러를 발생시킵니다.
 b=Fib(-10)
ValueError: maximum should be positive.

생성자는 결과를 반환하는 함수인 return()을 가질 수 없습니다. 즉, __init__()는 None 만을 반환합니다. 다음 코드와 같이 클래스 Fib의 생성자에 return()을 포함시키는 경우 에러가 발생됩니다.

class Fib:
        ''' iterator that yields numbers in the Fibonacci sequence''' 
        def __init__(self, mx):
            self.mx=mx
            if self.mx <  0:
                raise ValueError("maximum should be positive.")
            return self.mx
Fib(10)
TypeError: __init__() should return None, not 'int'

파이썬의 모든 객체는 클래스로 이루어집니다. 즉, 각 객체의 유형이나 구조에 따라 객체 생성과 동시에 다양한 내장 속성(built-in attribution)내장 메서드(built-in method)들과 연결됩니다. 다시 말하면 이들은 이름공간에 저장된 클래스 이름과 참조관계가 성립됩니다. 참조 대상물은 내장함수인 dir() 함수로 확인할 수 있습니다.

print(dir(simpleStatistics))
['__class__', '__delattr__', '__dict__', '__dir__', '__doc__', ..., 'mean', 'median', 'mode', 'std', 'subject']

예를 들어 __dict__ __doc__는 클래스가 사용할 수 있는 속성과 메소드들, 그리고 이 클래스에 대한 문서(주석)를 반환합니다.

simpleStatistic.__dict__
mappingproxy({'__module__': '__main__',
              '__doc__': '데이터의 합계, 평균, 중간값, 최빈값, \n    그리고 표준편차를 계산합니다.',
              'subject': 'math',
              '__init__': ,
              'sum': ,
              'mean': ,
              'median': ,
              'mode': ,
              'std': ,
              '__dict__': ,
              '__weakref__': })
simpleStatistic.__doc__
'데이터의 합계, 평균, 중간값, 최빈값, \n    그리고 표준편차를 계산합니다.'

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