코딩걸음마

이웃기반 알고리즘 K-최근접 이웃(K-Nearest Neighbor, KNN)은 어떤 데이터가 주어지면 그 주변(이웃)의 데이터를 살펴본 뒤 더 많은 데이터가 포함되어 있는 범주로 분류하는 방식입니다. 어떻게 보면 클러스터링 기법과 비슷하지만 여기서 사용되는 KNN은 지도학습이다. CF-KNN은 모델이 아닌 이웃 기반 알고리즘이다. 장/단점 추천 리스트에 새로운 사용자 또는 아이템에 대해 안정적으로 예측이 가능하다. 방법이 간단하고 직관적이어서 접근이 용이하다. 속도가 느리며, 메모리가 많이 든다. 희소성(sparse matrix)으로 인한 제약이 발생한다. (유사한 이웃이 사용한 경험이 없으면 추천 불가능하다) 1. 데이터 불러오기 9천여개 영화에 대해 사용자들(600여명)이 평가한 10만여개 평점 데..

1. 데이터 불러오기 사용할 데이터 셋 : TMDB 5000 Movie Dataset https://www.kaggle.com/datasets/tmdb/tmdb-movie-metadata/download?datasetVersionNumber=2 Kaggle: Your Home for Data Science www.kaggle.com import pandas as pd import numpy as np movies_df = pd.read_csv('data/tmdb_5000_movies.csv') print(movies_df.shape) # 행, 열 개수 파악 movies_df.head() (4803, 20) 2. 데이터 확인 결측치 및 dtype확인 movies_df.info() RangeIndex: 48..

import numpy as np import pandas as pd import seaborn as sns import matplotlib.pyplot as plt from sklearn.preprocessing import StandardScaler df = pd.read_csv("경로/경로/파일명.csv") df target = df[['']].copy() data = df.copy() del data[''] import torch import torch.nn as nn import torch.nn.functional as F import torch.optim as optim data = torch.from_numpy(df.values).float() data.shape 데이터와 target의 분류..

import pandas as pd import numpy as np import matplotlib.pyplot as plt from sklearn import datasets, preprocessing # Scikit-learn (sklearn) df = pd.read_csv("경로/경로/파일명.csv") df target = df[['']].copy() data = df.copy() del data[''] from sklearn import model_selection train_data, test_data, train_label, test_label = model_selection.train_test_split(data, target, test_size=0.3, random_state=0) pri..