[NIPA] 데이터 분석 믹스앤 매치 아카데미 - Python - 활용선택 - 데이터 분석과 머신러닝

---

01. 머신러닝과 데이터 과학 이해하기

 

02. 데이터 과학자 이해하기

---

 

03. 머신러닝을 위한 데이터 이해하기

---

 

04. 머신 러닝 실무 체험

---

 

05. 파이썬 Lib 를 활용한 기초 행렬

---

# Trans
A = numpy.array([[1, 2, 3], [4, 5, 6]])
print(A.transpose())

# Inv
A = numpy.array([[1, 2], [3, 4]])
print(numpy.linalg.inv(A)) #lin alg 이라는 Package 사용

# Dot
C = numpy.dot(A, B)

• Transpose , Inverse , Dot product

 

06. 회귀분석

---

1. Linear Regression

X = statsmodels.api.add_constant(X) # 3
results = statsmodels.api.OLS(Y, X).fit()

• statsmodels.api.OLS 는 Python 라이브러리 statsmodels 내에 있는 알고리즘 ; 얘가 선형회귀 line을 만들어 준다
• statsmodels.api.add_costant(x) : 독립변수 추가

import statsmodels.api
# 결과 해석하기
result.params
'''
[-7.  6.] # 상수항 -7 , 1차항 6 인
'''       # 1변수 1차 선형 식

results.pvalues
'''
[0.05373166 0.00310901] # 상수항, 1차항 각각의 P-value
'''
# P값 의미 : 독립변수의 계수가 0일 확률
# P값이 작을수록 모델에 영향을 끼침(의미를 가짐)

# P값 < 0.05 일 때 통계적으로 유의하다고 한다.


results.summary()
'''

                            OLS Regression Results                            
==============================================================================
Dep. Variable:                      y   R-squared:                       0.963
Model:                            OLS   Adj. R-squared:                  0.950
Method:                 Least Squares   F-statistic:                     77.14
Date:                Tue, 01 Dec 2020   Prob (F-statistic):            0.00311
Time:                        18:19:09   Log-Likelihood:                -9.6687
No. Observations:                   5   AIC:                             23.34
Df Residuals:                       3   BIC:                             22.56
Df Model:                           1                                         
Covariance Type:            nonrobust                                         
==============================================================================
                 coef    std err          t      P>|t|      [0.025      0.975]
------------------------------------------------------------------------------
const         -7.0000      2.266     -3.090      0.054     -14.210       0.210
x1             6.0000      0.683      8.783      0.003       3.826       8.174
==============================================================================
Omnibus:                          nan   Durbin-Watson:                   1.429
Prob(Omnibus):                    nan   Jarque-Bera (JB):                0.674
Skew:                           0.256   Prob(JB):                        0.714
Kurtosis:                       1.276   Cond. No.                         8.37
==============================================================================

'''