내용
미분.함수를 0에 가장 가까운 숫자로 나누어 도함수를 도출해낸다. 이는 순간 움직임의 기울기를 찾는 것이다.
데이터 사이언스와 연관된 이유. 오차 범위를 최소로 줄이는 좋은 모델을 만들기 위함.
수학 함수는 numpy library 에서 찾을 수 있다.
chain derivative. 생각이 잘 안 난다. 함수의 함수를 미분하는 것.
partial derivative. 두 개의 함수값이 존재할 때 사용하는 미분 방법.
하나의 함수값을 대입하여 다른 함수값을 도출해 낸다.
사용한 코드
import numpay as np : 수학 공식과 표를 만들어 주는 library
import seaborn as sns : 데이터가 있는 library
.rename(columns={'선택한 열 이름': '변경할 이름'})
.loc[:,'x'] : ;, 의미는 열. '이름'을 넣어야 한다. [] 괄호를 쓴다.
df[['x']] : column을 보여주기 위해 사용한다. 안에 있는 []는 리스트를 의미한다.
.drop(['sepal_width','petal_length','petal_width','species'], axis=1) : axis=1의 의미는 열. []은 리스트. ''은 해당 이름의 열 혹은 행. 디폴트 값은 행.
def f(x):
return 4(x**5) + 9(x3) + 1*(x2)-7
def num_one(fx, x):
delta_x = 1e-5
return (fx(x + delta_x) - fx(x)) / delta_x:numeric method for derivative. 함수식을 만들어 사용한다. ** 의미는 제곱이다.
df_iris['derivative_one'] = num_one(f,x) : 열을 생성하여 value를 채울 수 있다.
from scipy.misc import derivative : Scipy의 derivative 활용
x = df_iris['x']
def f(x):
return 4(x**5) + 9(x3) + 1*(x2)-7
df_iris['derivative_two'] = derivative(f,x, dx=1e-7)
Reflection
미분을 살면서 처음 배웠다.
그래서 매우 흥미가 있었다.
뉴턴이 만들었던 라이프니츠가 만들었던 유용한 도구인 것은 확실하다.
하루 종일 이것을 이해하는 데 사용했다.
코드를 구하는 것보다 이 개념을 몰라서 헤맸다.
평소 수학을 배우고 싶었지만 목표가 뚜렸하지 않았기 때문에 이어나가지 않았다.
이번 기회에 수학에 푹 빠져보고 싶다.
겉으로만 아는 것이 아니라 제대로 알고 싶다.
시간이 많이 걸리지만 하루를 농밀하게 보낸다면 순간 빛을 보게 될 것이다.
간단한 코딩에 익숙해 지고 외워서 시간을 좀 더 효율 적으로 쓸 수 있게 한다.
번째, 순서는 0부터 시작이다.
생각을 하되 쉽고 효율적으로 해야한다.
에너지를 상당히 많이 쓰고 있다. 체력관리를 해야 한다.
