일단 후기..

생각보다 시간이 너무 촉박하고 막 나만 다 못한거같고.. 너무 힘들었다....
딥러닝 머신러닝까지 가는데 엄청 오래걸렸다
근데 딥러닝 결과도 이상하게 나와서 애먹었다 아직도 ing
어떡해~!!!!!!!!!!
다들 너무 똑똑하시다.. 나만 바보멍청이..
도움요청을 부끄러워하지 말아야겠다

딥러닝 부분 그냥 외우기!!!!!!!

4-2'df1' DataFrame에서 '_' 값이 50% 이상되는 나머지 컬럼도 삭제하세요

#방법1

underscore = (df1 == '_').sum() / len(df1)
drop_columns = underscore[underscore >= o.5].index
df1.drop(drop_columns, axis=1, inplace=True)

#방법2 for문 사용

total = len(df1)

for col in df.columns:
    underscore = (df[col] == '_').sum()
    if (underscore / total) >= 0.5:
        df1.drop([col], axis=1, inplace=True)

**4-8. df3에 대해 'age_itg_cd'의 null 값을 중앙값(median)으로 변경하고 데이터 타입을 정수(int)로 변경하세요. 데이터 처리 후 데이터프레임을 df4에 저장하세요.

**

df3['age_itg_cd'] = pd.to_numeric(df['age_itg_cd'], errors='coerce')
df3['age_itg_cd'].fillna(df3['age_itg_cd'].median(), inplace=True)
df3['age_itg_cd'].astype(int)

df4=df3
df4.info()

컬럼의 형변환을 할 때 object -> int로 바꾸려면 pd.to_numeric 하고 astype(int)로 변환해주기

8-2. 위 모델의 성능을 평가하려고 합니다. y값을 예측하여 confusion matrix를 구하고 heatmap 그래프로 시각화하세요. 그리고 Scikit-learn의 classification_report를 활용하여 성능을 출력하세요.

pred = model.predict(x_test)


from sklearn.metrics import confusion_matrix
from sklearn.metrics import classification_report

confusion = confusion_matrix(y_test, pred)
report = classification_report(y_test, pred)
print(confusion)
print(report)

sns.heatmap(confusion, annot=True, fmt='d')
plt.show()

머신러닝

#모델 불러오기 

from sklearn.linear_model import LogisticRegtessin #<-로지스틱 회귀
from sklearn.tree import DecisionTreeClassifier #<-DecistionTree
from sklearn.ensemble import RandomForestClassifier <-랜덤포레스트
from xgboost import XGBClassifier #<-XGboost
from lightgbm import LGBMClassifier #<-light GBM

딥러닝

#모듈 불러오기

import tensorflow as tf
from tensorflow.keras.model import Sequantial
from tensorflow.keras.layers import Dense, Dropout
from tensorflow.callbacks import EarlyStopping, ModelCheckpoint

#keras쓰는 김에 원핫 인코딩할 때 

from tensorflow.keras.utils import to_categorical

y_train = to_categorical(y_train)
y_test = to_categorical(y_test)

#편하게 이거 쓰자

#compile시 이진, 다중분류: loss='categorical_crossentropy'
#Dense 출력층 이진분류:1 , 다중분류:2
#validation_data = (x_test, y_test)