기본 콘텐츠로 건너뛰기

[ML] 결정트리(Decision Tree) 모델

[seaborn] seaborn의 함수에 사용하는 속성(인수)들

seaborn의 함수에 사용하는 인자들

인수특성
좌표속성좌표속성은 플롯에 마크가 그려지는 위치를 결정
x는 수평위치, y는 수직위치
각 변수들의 구간을 설정하기 위해 xmin, xmax, ymin, ymax를 사용
normal scale: 정수 인덱스를 명목변수에 할당하기 위해 사용
Temporal scale: 기준 시점에서 날짜의 수를 나타냄
Continuous scale: 일반적인 수치 값을 나타내지만 trans="log" 등을 사용하여 값들의 위치에 차이를 둡니다.
컬러속성 color(마터 자체와 내부 색), fillcolor(마커 내부 색), edgecolor(마커의 자체의 색)
여러색을 나타내기 위해 매개변수 palette에 viridis, rocket, deep 등을 지정
알파속성 alpha는 마크의 불투명도를 지정
마커속성 매개변수 marker에 지정
matplotlib.markers 참조
선 속성 linestyle, '-', '--', '-.', 및 ':' 로 지정.
dashes의 경우 선과 선 사이의 공백이 존재합니다. 그러므로 선의 길이와 공백의 길이를튜플로 지정 예) (5, 2)
선폭속성 linewidth=float로 지정
edgewidth 점과 같이 원형과 같은 마크 자체의 두께를 지정
포인트크기 pointsize=정수(마크의 직경)
데이터 값을 지정할 수 있음, 면적에 선형적으로 비례하며 스케일은 제곱근으로 변환되어 적용
stroke edgewidth와 유사하지만 'x'와 같은 마크의 두께를 지정
텍스트 속성 수평 정렬 halign= left, right, center
수직 정렬=top, bottom, center, baseline, center_baseline
글꼴 크기 fontsize=1~26
offset class="txtl"마크와 텍스트와의 간격, 정렬을 위한 center를 사용하지 않을 때 적용됨

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