#0. 소스데이터 #1. 에러바 그리기 #plot errorbar plt.rcParams['figure.figsize']=(15,7) plt.errorbar(x=y_train_gb.index, y=y_train_gb['pred-true_mean'], yerr=y_train_gb['pred-true_std']) plt.title('mean error(pred_eGFR - true_eGFR) in trainset') plt.xlabel('round_eGFR') plt.ylabel('mean error') plt.show()
#0 소스데이터 #1 col1기준으로 그룹핑한 데이터의 집계 df.groupby('col1').agg(['size', 'mean', 'std', 'min', 'max']) y_train_gb = y_train_pd.groupby('round_eGFR').agg(['size', 'mean', 'std', 'min', 'max']) y_train_gb #2 column별 원하는 집계 사용가능 df.groupby('col1').agg({'col1' : ['size'], 'col2' : ['size', 'mean'], 'col3' : ['std'], 'col4' : ['min', 'max']}) y_train_gb = y_train_pd.groupby('round_eGFR').agg({'true_eGFR' : ..
ipynb to HTML $ jupyter nbconvert --to html filename.ipynb output
imbalanced dataset을 이용해서 maching learning modeling을 할때 크게 두가지 방법이 있음 1. hyperparameter tuning 과정에서 scale weight 2. oversampling Oversampling 기법으로 SMOTE(synthetic minority oversampling technique)가 일반적으로 많이 쓰임 그 일환으로 ADASYN(Adaptive synthetic sampling approach for imbalanced learning)을 이용해서 oversampling 해보겠음. #1 데이터 준비 X_train_features_imputed.info() #2 ADASYN 이용 oversampling - hyper parameter에서 s..
Command Mode (press Esc to enable) Enter : enter edit mode Shift-Enter : run cell, select below Ctrl-Enter : run cell Alt-Enter : run cell, insert below Y : to code M : to markdown R : to raw 1 : to heading 1 2 : to heading 2 3 : to heading 3 4 : to heading 4 5 : to heading 5 6 : to heading 6 Up : select cell above K : select cell above Down : select cell below J : select cell below A : insert c..
