Allen's 데이터 맛집

"데이터의 숲, Random Forest 분류 모델" 이번에는 머신러닝에서 널리 사용되는 'Random Forest(랜덤 포레스트)' 분류 모델에 대해 알아보겠습니다. 이 모델은 여러 개의 의사 결정 트리를 결합하여 예측하는 강력하고 안정적인 알고리즘입니다. Random Forest 분류 모델은 여러 개의 의사 결정 트리를 생성하고, 각 트리의 예측 결과를 투표하여 최종 결과를 결정하는 방식으로 작동합니다. 이로 인해 각 트리의 장점을 살리고, 과적합을 방지하며 예측의 정확도를 높일 수 있습니다. 이미지출처:https://medium.com/@roiyeho/random-forests-98892261dc49 간단한 파이썬 코드 예제: from sklearn.datasets import load_iris f..

이전 포스팅에서 전처리했던 내용이 스쾃/데드리프트에서 OHP/바벨로우로 종목만 변경되어서 동일한 전처리를 사용하겠습니다. 핵심적인 시각화가 아닌, 제가 생각했을 때 통계를 낼 수 있는 것들과 사용할 수 있는 시각화를 전부 사용해 보는 것이 목표이고 추후 포트폴리오를 제작할 때 간추려서 만들 생각이니 참고 부탁드립니다. 데이터의 변화를 위해 증량을 한 데이터를 가지고 증량을 하였고 상체운동의 데이터를 사용하여 OHP/데드리프트의 1rm 중량을 가지고 분석을 하였습니다. 먼저 각 운동에 대한 중량을 히스토그램과 밀도 그래프로 표현하여 분포를 확인할 수 있습니다. 이를 통해 중량 분포의 모양과 분포 형태를 더 자세히 파악할 수 있습니다. OHP은 70kg 정도에 밀집되어 있고 바벨로우는102kg 정도에 밀집되..

이전 포스트에 이어서 포스팅하겠습니다. [4] 하체 벌크업 : 그래프를 통한 분석 결과 - 1 이전 포스팅에서는 데이터를 수집하고 전처리하는 과정을 진행했습니다. 이제는 그 데이터를 가지고 실질적인 분석을 시작해 보겠습니다. 목표는 단순한 시각화를 넘어, 통계적인 결과를 도출 allensdatablog.tistory.com 휴식기간과 1RM 중량의 연관성 운동과 휴식 기간의 관계: 운동과 휴식 기간의 상관관계를 분석하여, 얼마나 휴식 기간을 가지고 운동을 하고 있는지 확인할 수 있습니다. 더 많은 휴식 기간이 높은 1RM과 연관이 있는지, 또는 그렇지 않은지 알아볼 수 있습니다. 지난 포스팅에서 운동 데이터를 분석하며 몸무게와 1RM 중량 간의 강한 상관관계를 확인했습니다. 그런데 더 깊게 파고들어 보면..

"데이터의 미로, Decision Tree 분류 모델" 이번에는 데이터 분류에 활용되는 'Decision Tree(의사 결정 트리)' 분류 모델을 알아보겠습니다. 이 모델은 데이터의 규칙을 분석하여 예측을 수행하는 직관적이고 강력한 도구입니다. Decision Tree 분류 모델은 데이터를 분기점과 결정 영역으로 나누어 가며 예측을 수행합니다. 각 분기점은 특정 특성의 값에 따라 데이터를 서로 다른 클래스로 할당하게 됩니다. 이미지출처:https://dlsdn73.tistory.com/655 간단한 파이썬 코드 예제: from sklearn.datasets import load_iris from sklearn.tree import DecisionTreeClassifier from sklearn.model..