#1. kdeplot #2. get x, y #3. get max or min #4. marking import seaborn as sns import numpy as np #1. ax = sns.kdeplot(th_box_sub2, label='sub2') #2. x = ax.lines[0].get_xdata() # Get the x data of the distribution y = ax.lines[0].get_ydata() # Get the y data of the distribution #3. maxid1 = np.argmax(y) # get max in all maxid2 = np.argmax(y[x0.56) & (x0.56) & (x0.56) & (x0.56) & (x
output = array[np.where((array condition2))] output = array[np.where((array > condition1) & (array < condition2))] ref:https://www.kite.com/python/answers/how-to-use-numpy-where-with-multiple-conditions-in-python Kite - Free AI Coding Assistant and Code Auto-Complete Plugin Code faster with Kite’s AI-powered autocomplete plugin for over 16 programming languages and 16 ID..
index 1. data scientist life cycle 2. install streamlit 3. edit config file 4. run .py file 1. data scientist life cycle 데이터 사이언스를 한다면 프로젝트 단위로 위 사이클에서 크게 벗어나지 않을 것임. 그 중에서 Model Deployment 부분에 대한 글임 2. install streamlit - streamlit은 머신러닝 및 데이터 사이언스를 위한 맞춤 웹 앱을 쉽게 만들고 공유할 수 있는 오픈소스 python 라이브러리임. - pip install 가능 pip install streamlit 3. edit config file 예제 참고 예제 1. https://www.geeksforgeeks.org..
XGBoost : Dimension Reduction (feature selection) 1. Feature importance 2. BorutaShap XGBoost 알고리즘으로 모델을 만들고 최대한 input variables을 줄여 경제적인 모델을 만들기 위해 두 가지 방법을 사용해 봄. 1. Feature importance - XGBoost의 기본 내장된 feature_importance를 이용하는 방법. - importance가 가장 작은 변수를 차례대로 제거 해주고 train에서 성능을 비교 - 본인의 기준에 맞게 제거할 변수를 선택 - 논리적이긴 하나 특별한 이론이 개입된 방법은 아니기 떄문에 신뢰성에 대한 이슈는 있음. #1.1 XGBoost의 내장되어 있는 기능으로 importance를..
standardscaler, machine learning 모델 공유 0. background 1. scaler (standardscaler) 2. machine learning model (XGBoost) 0. background - machine learning 모델을 재현가능하게 공유할 때 모델을 저장하고 불러와야함. - 그전에 standardization을 진행한 scaler도 포함되어야 완벽한 재현이 가능함. - fit된 scaler와 machine learning 모델을 저장하고 불러와야 기존 결과를 완벽히 재현할 수 있음. - 핵심은 reproducible ! 참고: https://machinelearningmastery.com/reproducible-machine-learning-resul..
순서 1. mljar : automated machine learning 2. install - pip 3. run code 4. report 1. mljar : automated machine learning - 머신러닝 자동화 프레임 워크 그림참고 참고 : https://mljar.com/automated-machine-learning/ What is Automated Machine Learning? The MLJAR Automated Machine Learning (AutoML) Framework mljar.com 2. install - pip, conda 설치는 pip로만 가능 아직 conda 불가능 pip install mljar-supervised 참고 : https://pypi.org/pro..
- XGBoost 환경 셋팅 #0. tpot and xgboost #1. cpu : conda install #2. single gpu : cuml #3. multi gpu : rapids, conda install tpot and dask_ml #0 TPOT and XGBoost #0.0 TPOT for Automated Machine Learning Automated Machine Learning (AutoML) 사용자 개입이 거의없이 예측 모델링 작업을 위해 성능이 우수한 모델을 자동으로 검색하는 기술 TPOT - Python에서 AutoML을 수행하기위한 오픈 소스 라이브러리 - 데이터 변환 및 기계 학습 알고리즘에 인기있는 Scikit-Learn 기계 학습 라이브러리를 사용 - 유전 프로그래밍 ..
