Á¤¼ºÈÆ
    lab2
lab2.py [1 KB]   lab2.png [25 KB]  




1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
import matplotlib.pylab as plt
import numpy as np
from sklearn.linear_model import LinearRegression
from sklearn import datasets
 
# ´ç´¢º´ µ¥ÀÌÅÍ ¼¼Æ®¸¦ ÀûÀçÇÑ´Ù. 
diabetes = datasets.load_diabetes()
 
# ÇнÀ µ¥ÀÌÅÍ¿Í Å×½ºÆ® µ¥ÀÌÅ͸¦ ºÐ¸®ÇÑ´Ù. 
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(diabetes.data, diabetes.target, test_size=0.2, random_state=0)
 
model = LinearRegression()
model.fit(X_train, y_train)
 
# Å×½ºÆ® µ¥ÀÌÅͷΠ¿¹ÃøÇغ¸ÀÚ. 
y_pred = model.predict(X_test) 
 
# ½ÇÁ¦ µ¥ÀÌÅÍ¿Í ¿¹Ãø µ¥ÀÌÅ͸¦ ºñ±³Çغ¸ÀÚ. 
plt.plot(y_test, y_pred, '.')
 
# Á÷¼±À» ±×¸®±â À§ÇÏ¿© ¿Ïº®ÇÑ ¼±Çü µ¥ÀÌÅ͸¦ »ý¼ºÇÑ´Ù. 
= np.linspace(0330100)
= x
plt.plot(x, y)
plt.show()
cs

  µî·ÏÀÏ : 2020-08-02 [02:34] Á¶È¸ : 218 ´Ù¿î : 401   
 
¡â ÀÌÀü±Ûlinear_reg2
¡ä ´ÙÀ½±Ûlab1
ÀΰøÁö´É ½Ç½À
¹øÈ£ ¨Ï Á¦ ¸ñ À̸§
ÀΰøÁö´É (õÀα¹ Àú) ÄÚµå
¨ÕÆÄÀÌÅäÄ¡ ù°ÉÀ½ (ÃÖ°ÇÈ£ Àú) ÄÚµå
19    ¦¦❷ perceptron1 Á¤¼ºÈÆ
18 ¦¦❶ (11Àå) kNN ¾Ë°í¸®Áò°ú K-means ¾Ë°í¸®Áò Á¤¼ºÈÆ
17    ¦¦❷ lab1 Á¤¼ºÈÆ
16    ¦¦❷ kmeans2 Á¤¼ºÈÆ
15    ¦¦❷ kmeans1 Á¤¼ºÈÆ
14    ¦¦❷ knn2 Á¤¼ºÈÆ
13    ¦¦❷ knn Á¤¼ºÈÆ
12 ¦¦❶ (10Àå) ¼±Çü ȸ±Í Á¤¼ºÈÆ
11    ¦¦❷ linear_reg2 Á¤¼ºÈÆ
10    ¦¦❷ lab2 Á¤¼ºÈÆ
9    ¦¦❷ lab1 Á¤¼ºÈÆ
8 ¦¦❶ (8Àå) À¯ÀüÀÚ ¾Ë°í¸®Áò Á¤¼ºÈÆ
7    ¦¦❷ GA Á¤¼ºÈÆ
6    ¦¦❷ generic Á¤¼ºÈÆ
5 ¦¦❶ (3Àå) °ÔÀÓÆ®¸® Á¤¼ºÈÆ

[1][2][3][4][5][6]