개발하고 싶어요

LDA(Linear Discriminant Analysis)¶ 지도 학습의 분류에서 사용하기 쉽도록 개별 클래스를 분별할 수 있는 기준을 최대한 유지하면서 차원을 축소한다 특정 공간상에서 클래스 분리를 최대화하는 축을 찾기 위해 클래스 간 분산과 클래스 내부 분산의 비율을 최대화하는 방식으로 차원을 축소 붓꽃 데이터 세트에 LDA 적용하기¶ In [2]: # 붓꽃 데이터 세트를 로드하고 표준 정규 분포로 스케일링 from sklearn.discriminant_analysis import LinearDiscriminantAnalysis from sklearn.preprocessing import StandardScaler from sklearn.datasets import load_iris iris = l..

차원 축소¶ 일반적으로 차원 축소는 피처 선택, 피처 추출로 나눌 수 있다 피처 선택 : 특성 선택은 말 그대로 특정 피처에 종속성이 강한 불필요한 피처는 아예 제거하고, 데이터의 특징을 잘 나타내는 주요 피처만 선택 피처 추출 : 기존 피처를 저차원의 중요 피처로 압축해서 추출, 기존 피처를 단순 압축이 아닌 피처를 함축적으로 더 잘 설명할 수 있는 또 다른 공간으로 매핑해 추출 PCA¶ PCA는 가장 대표적인 차원 축소 기법이다 여러 변수 간에 존재하는 상관관계를 이용해 이를 대표하는 주성분을 추출해 차원을 축소하는 기법 PCA는 다음과 같은 스텝으로 수행 입력 데이터 세트의 공분산 행렬을 생성 공분산 행렬의 고유벡터와 고유값을 계산 고유값이 가장 큰 순으로 K개만큼 고유벡터를 추출 고유값이 가장 큰..

디지털 영상 기초¶ RGB 컬러 영상을 채널별로 구분해 디스플레이하기¶ In [3]: import cv2 as cv import sys img = cv.imread('./data/ch2/soccer.jpg') if img is None: sys.exit('파일을 찾을 수 없습니다') print(img.shape) cv.imshow('original_RGB', img) cv.imshow('Upper left half', img[0 : img.shape[0] // 2, 0 : img.shape[1] // 2, :]) # 왼쪽 위 부분을 cv.imshow('Center half', img[img.shape[0] // 4 : 3 * img.shape[0] // 4, img.shape[1] // 4 : 3 * i..

영상을 읽고 표시하기¶ 영상 파일을 읽고 윈도우에 디스플레이하기¶ In [1]: # !pip install opencv-python In [12]: import cv2 as cv import sys img = cv.imread('./data/ch2/soccer.jpg') # 사진 읽기 if img is None: sys.exit('파일을 찾을 수 없습니다') # exit : 오류 메시지를 출력하고 프로그램 종료 cv.imshow('Image Display', img) # 처음은 윈도우의 이름, 윈도우에 사진 표시 cv.waitKey() # 키보드의 키가 눌릴 때까지 기다리다, 키가 눌리면 해당 키의 유니코드 값을 반환 cv.destroyAllWindows() # 모든 윈도우 닫기 OpenCV에서 영상은 ..