기상 기후 강의 노트

배열

1차원 배열

2차원 배열

XGBOOST 작업 중 모델링 시간 측정 코드

# ## 4.4.4 시간 측정 (115)
# from sklearn.ensemble import GradientBoostingClassifier
# from xgboost import XGBClassifier
# from sklearn.metrics import accuracy_score
# import time

# start = time.time()
# df.info()
# end=time.time()
# elapsed = end - start
# print('\n실행시간: ' + str(elapsed) + '초')

# ## 4.4.5 속도비교(152)
# %timeit -n 100 -r 3 sum(np.square(range(10000)))
# %%timeit -n 100 -r 3
# summing = 0
# for i in range(10000):
#     summing += i**2
# ## 그레디언트 부스팅 분류
# # 모델크기 제한을 위해서 max_depth =2, n_estimator=100 으로 설정
# start = time.time()
# gbr = GradientBoostingClassifier(n_estimators = 100, max_depth = 2, random_state=2)
# gbr.fit(X_train, y_train)
# y_pred = gbr.predict(X_test)
# score = accuracy_score(y_pred, y_test)
# print('점수: ' + str(score))
# end = time.time()
# elapsed = end-start
# print('실행시간: ' + str(elapsed) + '초')
## XGB 분류
# ### 부스팅 분야에서 타의 추종을 불허하는 속도를 보이는 모델. GPU_0에서 30배 빠름
# start = time.time()
# xg_reg = XGBClassifier(n_estimators=100, max_depth=2, use_label_encoder=False)
# xg_reg.fit(X_train, y_train)
# y_pred = xg_reg.predict(X_test)
# score = accuracy_score(y_pred, y_test)
# print('점수 : ' +str(score))
# end = time.time()
# elapsed=end-start
# print('실행 시간: ' +str(elapsed) + '초')

At-A-Glance

• 나이브 베이즈 vs. 의사결정나무 
• Phen 자료 제외
• 1,2 시간 전 자료 모두 사용한 경우 
• 1 시간 전 자료만 사용한 경우

나이브 베이즈

1,2 시간 전 자료 모두 사용

             precision    recall  f1-score   support

           0       0.98      0.69      0.81     10479
           1       0.17      0.90      0.29       193
           2       0.36      0.69      0.47      2480

    accuracy                           0.69     13152
   macro avg       0.50      0.76      0.52     13152
weighted avg       0.85      0.69      0.74     13152

1시간 전자료만 사용

               precision    recall  f1-score   support

           0       0.94      0.83      0.88     10479
           1       0.21      0.80      0.34       193
           2       0.47      0.60      0.53      2480

    accuracy                           0.79     13152
   macro avg       0.54      0.74      0.58     13152
weighted avg       0.84      0.79      0.81     13152

의사결정나무

1,2 시간 전 자료 모두 사용

               precision    recall  f1-score   support

           0       0.94      0.93      0.94     10479
           1       0.63      0.66      0.64       193
           2       0.70      0.72      0.71      2480

    accuracy                           0.89     13152
   macro avg       0.76      0.77      0.76     13152
weighted avg       0.89      0.89      0.89     13152

1시간 전 자료만 사용

               precision    recall  f1-score   support

           0       0.95      0.93      0.94     10479
           1       0.60      0.59      0.59       193
           2       0.70      0.74      0.72      2480

    accuracy                           0.89     13152
   macro avg       0.75      0.75      0.75     13152
weighted avg       0.89      0.89      0.89     13152

At-A-Glance

• 나이브 베이즈 vs. 의사결정나무 
• Phen 자료 포함
• 1,2 시간 전 자료 모두 사용한 경우 
• 1 시간 전 자료만 사용한 경우

나이브 베이즈

1,2 시간 전 자료 모두 사용

               precision    recall  f1-score   support

           0       0.99      0.84      0.91     10479
           1       0.59      0.99      0.74       193
           2       0.58      0.90      0.70      2480

    accuracy                           0.86     13152
   macro avg       0.72      0.91      0.78     13152
weighted avg       0.90      0.86      0.87     13152

1시간 전자료만 사용

               precision    recall  f1-score   support

           0       0.98      0.86      0.92     10479
           1       0.59      1.00      0.74       193
           2       0.60      0.87      0.71      2480

    accuracy                           0.86     13152
   macro avg       0.72      0.91      0.79     13152
weighted avg       0.90      0.86      0.87     13152

의사결정나무 

1,2 시간 전 자료 모두 사용

               precision    recall  f1-score   support

           0       0.96      0.95      0.96     10479
           1       0.77      0.70      0.73       193
           2       0.79      0.82      0.81      2480

    accuracy                           0.93     13152
   macro avg       0.84      0.82      0.83     13152
weighted avg       0.93      0.93      0.93     13152

1시간 전 자료만 사용

               precision    recall  f1-score   support

           0       0.96      0.95      0.95     10479
           1       0.79      0.78      0.78       193
           2       0.77      0.80      0.79      2480

    accuracy                           0.92     13152
   macro avg       0.84      0.84      0.84     13152
weighted avg       0.92      0.92      0.92     13152

포트란 프로그래밍

예제로 배우는 입출력문 서식

내용

read 문

print 문

write 문

format 문

* 포트란 외부 파일 입출력문은 별도 강좌에서 다룸

과제

1. 1에서 2000까지 솟수를 찾아 출력하시오. 

2.  F = 1 + (1+2) + (1+2+3) + ... + (1+2+3+ ... + 15) 의 값을 구하는 코드

3. {12.3, 5.2, 6.8, 27.1, 22.5, 1.8, 5.4, 78.2, 15.4, 62.5, 1.1, 8.6, 4.5, 44.4, 22.2, 33.2, 5.4, 1.8} 를 (1) 오름차순, (2) 내림차순으로 정렬하고 출력하시오. 

4.  y = -x² + 8 x -12 의 최대값 구하는 코드를 작성하시오.

5. y= x² - 9 의 최소값 구하는 코드를 작성하시오.

6. x가 [0,5] 구간에 존재할 때, y = x³ - 6x² + 8x 의 최대값과 최소값을 구하는 코드를 작성하시오. 단 x의 간격은 0.1로 한다. 

7. 6과 8의 최소 공배수를 구하는 코드를 내장함수를 사용하지 않고 작성하시오. 

8. 18와 8의 최대 공약수를 구하는 코드를 내장함수를 사용하지 않고 작성하시오. 

9. {132, 278, 98, 323, 119, 296} 중 최대값을 출력하는 코드를 내장함수를 사용하지 않고 작성하시오.

10. {986, 376, 271, 688, 998, 523} 중 최소값을 출력하는 코드를 내장함수를 사용하지 않고 작성하시오. 

11. {2.8, 3.6, 9.8, 12.6, 13.8, 16.9, 33.2, -6.3, 29.1, -23.1, 99.1, -93.6} 중 음수를 뽑아 출력하는 코드를 작성하시오.