키자드에 등록된 a16620의 네이버 블로그 포스트 목록

a16620의 등록된 링크

a16620로 등록된 네이버 블로그 포스트 수는 65건입니다.

비모수 검정 통계량 계산기 Nonparametric calculator [내부링크]

일표본: 부호 검정, 부호 순위 검정 일표본 위치모수 검정 데이터 입력 가설 설정 mu0= 계산 검정 통계량 데이터 ... 평균 랭크 ... 검정 통계량: - 정규 근사 양측 p-value: - z= . 구간 추정 계산표 i-th ... W_ij ... 중앙값: - X_i | X_j ... ... ... ... ... ... ... ... 개발자 a16620.github.io 아래와 같이 검정 통계량, 정규 근사, 구간 추정에 사용되는 표를 출력합니다. 이표본: 윌콕슨 순위합, 대응 표본(부호 순위), 앤서리 브래들리, 시갤 튜키 검정 이표본 비모수 검정 출력 지우기 개발자 a16620.github.io SAS 스타일을 참고했습니다. 여러 검정을 사용하는 만큼, 연속적으로 작업하기 편하도록 결과가 지워지지 않고 스크롤 아래에 유지됩니다. 이표본 검정에서 유용하도록 X와 Y를 전환하는 기능과 윌콕슨 부호 순위로 추정한 중앙값으로 두 집단의 위치 모수가 같도록 보정하는 기능을 이용할 수

go gin의 ShouldBind와 zero value [내부링크]

api를 작성하다 보면 분명 맞게 데이터를 보냈는데도 아래와 같은 오류가 발생하곤 합니다. Key: 'Val1' Error:Field validation for 'Val1' failed on the 'required' tag 오타가 난 건지 헤더를 잘못 넣었는지 몇 번이고 확인하곤 합니다. 그러나 문제는 통신이 아닌 서버의 처리에 있었습니다. 문제 상황을 이해하기 위해 우선 아래의 예제를 봐보겠습니다. package main import ( "net/http" "github.com/gin-gonic/gin" ) func main() { r := gin.New() r.POST("/post", func(ctx *gin.Context) { var request struct { Val1 int `json:"v1" binding:"required"` } if err := ctx.ShouldBindJSON(&request); err != nil { ctx.String(http.StatusInt

SQL 태그 검색 [내부링크]

3개의 테이블을 이용하는 방법을 소개합니다. 상황은 Article에 붙은 여러게의 태그를 검색합니다. SQLite3를 기준으로 작성합니다. 테이블1: Article 정보 CREATE TABLE IF NOT EXISTS article ( id INTEGER PRIMARY KEY AUTOINCREMENT, url TEXT UNIQUE NOT NULL, platform TEXT NOT NULL, description TEXT, thumbnail_url TEXT); 예시로 url, platform 등등을 추가했다. 테이블2: 태그 정보 CREATE TABLE IF NOT EXISTS tag ( id INTEGER PRIMARY KEY AUTOINCREMENT, name TEXT NOT NULL, type INTEGER DEFAULT 0, UNIQUE(name, type)); 태그는 name과 type가 한 쌍으로 구별된다. UNIQUE(name, type)로 필드 각각이 아닌 한 쌍으로 유

응용확률론 반사의 법칙 reflection law ballot problem [내부링크]

확률 통계 응용확률론 반사의 법칙 ballot problem 목표 문제는 Introduction to probability models의 Ex 3.27번 문제입니다. In an election, candidate A receives n votes, and candidate B receives m votes where n > m. Assuming that all orderings are equally likely, show that the probability that A is always ahead in the count of votes is (n-m)/(n+m). 표를 집계하는 과정에서 A가 나온 수가 항상 B보다 앞서는 확률을 구해야 합니다. 이 상황은 평면 좌표계로 옮겨 표현할 수 있습니다. x축을 확인한 표의 수라하면 (0,0)에서 시작해 A가 나오면 u=(1, 1) 만큼 이동하고, B가 나올 때는 d=(1, -1) 만큼 움직이는 규칙을 정합니다. 이 움직임의 마지막 위치는

numpy&pandas KNN (K Nearest Neighbor) 알고리즘 [내부링크]

KNN은 따로 학습이라 부를만한 과정은 없습니다. 거리를 계산하고 정렬하는 것이 전부입니다. python과 numpy, pandas를 이용해 작성했습니다. 거리를 측정하는 방법에 유연성을 주고 싶어서 거리 함수를 직접 정의할 수 있게 만들었습니다. 아래는 유클리드, 맨해튼 거리의 함수입니다. import numpy as np def dist_Euclidean(a: np.ndarray, b: np.ndarray): return ((a-b)**2).sum() def dist_Manhattan(a: np.ndarray, b: np.ndarray): return np.abs(a-b).sum() knn: pandas.DataFrame을 입력받아 예측을 수행한다. 하나가 아닌 여러 데이터를 한 번에 처리하기 위해 내부 함수를 이용해 apply를 2번 실행했습니다. 예측 대상(여기선 Species)은 target_column으로 지정합니다. 그 외에 거리 계산에 사용될 컬럼들을 지정하려면 att

파이썬으로 다층 퍼셉트론 multi layer percpetron (1) [내부링크]

numpy를 이용해 행렬곱과 numpy연산으로 다층 퍼셉트론을 구현하였다. 테스트에는 pandas와 iris데이터셋을 이용하였다. 활성화 함수 forward는 순방향 연산. withGrad는 순방향 연산 결과와 함께 미분 값을 함께 계산한다. AFUNCTION = namedtuple('actFn', ['forward', 'withGrad']) sigmoid = lambda x: 1/(1+np.exp(-x)) def sigmoid_withgrad(x): y = sigmoid(x) drv = y*(1-y) return y, np.diag(drv.flatten()) relu = lambda x: np.maximum(0, x) def relu_withgrad(x): y = relu(x) drv = np.where(y <= 0, 0, 1) return y, np.diag(drv.flatten()) identity = lambda x: x def identity_withgrad(x): drv

C/C++ 에서 한글을 어떻게 다루는가 : 유니코드와 멀티바이트 변환 [내부링크]

멀티바이트 관련 함수는 이름에서 str을 mb 또는 wc로 바꾼 형태를 가지고 있습니다. mb는 multibyte, wc는 wide char의 축약으로 생각하면 됩니다. 이 기능을 사용하기 전에 반드시 해야할 일이 있습니다. 이 함수들은 locale에 따라 결과가 달라지기 때문에 setlocale을 하는것을 권장합니다. #include <stdio.h> #include <stdlib.h> #include <string.h> #include <locale.h> ... setlocale(LC_ALL, ""); mblen : 멀티바이트의 바이트 수 한글과 같은 문자들을 char배열에 넣으면 한 문자가 2개의 바이트를 차지하기도 합니다. 이때 한 문자가 몇 바이트를 차지하는지 알려주는 함수가 mblen입니다. strlen은 문자열 전체의 길이를 알려주지만, mblen은 주어진 문자열 시작에 있는 한 멀티바이트 문자의 길이만을 알려줍니다. 예시: 각 문자가 차지하는 바이트를 출력한다. voi

파이썬 pandas, numpy로 의사결정 트리 ID3 [내부링크]

의사결정 나무(decision tree)는 굉장히 친숙한 방법입니다. 우리는 자주 대상을 범주화해 인식하고 분류를 결정합니다. 시험 문제를 풀 때라든지, 상품을 구매할 때도 짧은 순간에 수많은 질문들을 거쳐 결정합니다. 배달을 시킬 때 가격이 비싼지, 할인을 하는지, 대체재가 있는지를 따집니다. 의사결정 나무는 이 방법을 자동화한 동일한 전략입니다. 스무고개 알고리즘이죠. 이진탐색트리랑 비슷하게 생각하면 되겠습니다. 알고리즘의 최적화는 주어진 데이터를 분류했을 때 오분류를 최소화하는 것이 목적입니다. 다르게 말하면 '분류 집합 안에 같은 것들만 있어야 한다'와 같습니다. 결정 기준을 만드는 여러 방법 중 ID3는 분류 집합의 불순도를 계산하기 위해 엔트로피를 사용합니다. 엔트로피는 위 공식으로 계산되며 c는 범주의 수, p_i는 집합에서 그 범주가 차지하는 비율을 사용합니다. 간단하게 생각하면 특정 종의 비율이 압도적으로 커질수록 엔트로피가 작아집니다. 옆의 그림은 이분 데이터의 경

정규분포에서 카이제곱 분포의 pdf, mgf 유도 [내부링크]

카이제곱은 표준 정규분포의 제곱들의 합으로 얻어지는 분포다. 자유도 k=1인 경우를 먼저 구한다. 카이제곱의 cdf를 미분해 pdf를 구한다. mgf를 구한다. 지수와 다항식이 복잡하게 붙어있는 경우엔 감마분포 꼴을 만들면 편하다. 여기서 적분식만 보면 이때 적분 값은 Gamma( 0.5, 1/{0.5-t} )의 pdf이므로 1이 된다. 다시 돌아와서 자유도가 k인 카이제곱분포는 독립인 표준정규의 제곱들의 합이므로 그 mgf는 다음과 같이 표현 가능하다. mgf가 Gamma( k/2, 2 )의 것과 동일하므로 카이제곱분포는 감마분포의 특수한 경우임을 알 수 있다. 따라서 pdf 또한 동일하므로 자유도 k인 카이제곱의 pdf는 다음과 같다.

(통계) { 1-F(x)} 의 무한합=E(X)? [내부링크]

X는 음이 아닌 이산형 확률변수다. X의 cdf를 F(x)=P(X≤x)라 하면. 다음이 성립함을 증명하라. 위 식은 다음과 같다. F(x)의 합만 따로 확인합니다. 여기서 저 합을 x에 따라 행별로 따로 보면 계단 모양이 보입니다. x 0부터 x까지 p(i)의 합 0 p(0) 1 p(0)+p(1) … n-1 p(0)+p(1)+...+p(n-1) n p(0)+p(1)+...+p(n-1)+p(n) 이걸 다시 열 방향으로 봅니다. 그렇다면 p(0)은 n+1개, p(1)은 n개… p(n)은 1개가 존재합니다. 그렇다면 저 이중 합을 다음과 같이 바꿀수 있겠습니다. 이걸 가지고 처음 식으로 돌아갑니다. 여기서 모든 확률의 합은 1이 되므로 앞의 항은 사라진다. 이렇게 [1-F(x)]의 합이 X의 기대값이 됨을 확인할 수 있다. 이 방법에는 문제점이 존재한다. 극한이 존재해야 하는데 다만 검색하다 짜증난 누군가에게 도움이 되었으면 한다.

C++ JSON 파싱 라이브러리 [내부링크]

JSON-Parser/Src/json2.hpp at master · a16620/JSON-Parser Contribute to a16620/JSON-Parser development by creating an account on GitHub. github.com JSON의 number, string, object, array는 각각 JNumber, JString, JObject, JArray에 대응합니다. true, false, null은 JLiteral로 함께 다루어집니다. JString은 std::string, JObject는 std::map, JArray는 std::vector를 상속해 기존 알고리즘과 호환가능합니다. 모든 타입은 공통적으로 세가지 기능을 지원합니다. std::ostream& Repr(std::ostream& os) const 및 std::string to_string() const -값을 JSON형식으로 출력합니다. JValue* Clone() const -동

직접 만드는 머신러닝: 소프트맥스 회귀 from scratch. numpy를 곁들인. [내부링크]

목차 -미리 알아둬야 할 정보 -파이썬으로 구현 -Iris 학습하기 미리 알아야 하는 지식 안다면 빠르게 넘어갑시다 머신러닝 학습 구조, 소프트맥스, 크로스엔트로피, Numpy사용법, 행렬, 경사하강법 아마 이 글을 읽는 사람은 기본 개념은 다 이해했는데 구현하기 짜증나서 온 것이겠죠? 아닐 수도 있으니 중요한 거 두 개만 쓰겠습니다. https://wikidocs.net/35476 이거 읽으면 됩니다. 소프트맥스 이렇게 생긴 것이 소프트맥스 함수입니다. 여기서 x는 1xN 벡터입니다. 분모를 보면 지수함수의 합으로 늘 양수임을 알 수 있습니다. 분자는 분모의 합들 중 i 번째 항으로 이 또한 양수입니다. 이때 함수 g의 치역은 (0, 1]이 됩니다. 이 형태는 익숙한 모양입니다. 바로 확률이죠. 모든 g(x)의 합이 1이고 각 g(x)는 0~1의 값을 가지니 각 g(x)를 확률로 취급해도 된다는 말입니다. 회귀 모형에서는 분류할 범주가 N 개 있다고 할 때 g(xi)를 i 번째 범

[C++] 스택 자료구조 구현 [내부링크]

#pragma once class Stack { private: class StackNode { private: StackNode* next; int value; public: StackNode* Next() const { return next; } int Value() const { return value; } StackNode(int value, StackNode* next) { this->value = value; this->next = next; } }; private: int _count; StackNode* _top; public: void push(int v) { if (_top == nullptr) _top = new StackNode(v, nullptr); else _top = new StackNode(v, _top); _count++; } int pop() { if (_top == nullptr) throw; StackNode node = _top; int v =

[C++] 이중 연결 리스트 자료구조 [내부링크]

#pragma once class linkedlistnode { public: int data; linkedlistnode* next; linkedlistnode* previous; linkedlistnode(int data, linkedlistnode* next, linkedlistnode* previous) { this->data = data; this->next = next; this->previous = previous; } }; class linkedlist { private: //const linkedlistnode* endnode = new linkedlistnode(0, nullptr); linkedlistnode* _begin; linkedlistnode* _end; int _count; public: class linkedlistiterator { private: linkedlistnode* current; friend class linkedlist; public:

R koNLP In value[[3L]](cond) : can't processing [내부링크]

R 4.3 기준으로 koNLP를 설치하면 99%로 "In value[[3L]](cond) : can't processing" 오류가 납니다. 찾아본 바로는 koNLP에서 파일을 다운할때 문제가 생겨서 파일을 다 설치하지 못한 것이 원인입니다. 저는 아래 방법으로 해결했습니다. 이 글은 필요한 부분만 따로 요약합니다. [R] KoNLP패키지 설치 오류(Fail to install scala-library-2.11.8.jar) - Gumu's treasure box 업데이트내용 본 내용은 R 4.0 이전 버전에서만 적용됩니다. 패치를 통해 설치오류가 해결되었다는 공지가 올라왔으나 아직도 지속적으로 설치가 안 되는 분들이 계시는 것으로 보아 완전히 문제가 해결되지 않은 것으로 보인다. 만일 KoNLP설치 이슈가 있다면 library폴더에 제대로 더보기… gumu.kr 해결법 요약 AppData\Local\R\win-library\4.3\KoNLP\java Win+R후 %appdata%를

R koNLP 설치 버전 오류 package 'KoNLP' is not available (for R version ~ [내부링크]

package 'KoNLP' is not available (for R version ). R이 4.2 이상만 되어도 install.packages 사용시 맞는 버전이 없다고 나오는데 이때를 위한 설치 방법을 열심히 찾아서 정리합니다. 아래 R코드 그대로 따라가면 쉽게 설치가 가능할 겁니다. 설치 후 나오는 오류도 해결하는 법을 올려 두었습니다. 이 오류 99.9%로 뜹니다. R koNLP In value[[3L]](cond) : can't processing R 4.3 기준으로 koNLP를 설치하면 99%로 "In value[[3L]](cond) : can't processing"... blog.naver.com #----------------------- 라이브러리 설치 오류 해결 ----------------------- # 1.KoNLP보다 자바 먼저 설치 install.packages("rJava") rJava::.jinit() # 1-E. rJava::.jinit()에서

R 네이버 뉴스 크롤링 & 워드클라우드 총정리 [내부링크]

이 글에선 네이버를 통해 여러개의 뉴스를 크롤링하고 합치는 방법을 다룹니다. 과정 설명이 필요 없다면 페이지 맨 아래에 전체 코드가 있습니다. 쭉 내리세요. 라이브러리 설치/실행 관련 문제는 여기로. R koNLP 설치 버전 오류 package 'KoNLP' is not available (for R version ~ package 'KoNLP' is not available (for R version ). R이 4.2 이상만 되어도 install.pac... blog.naver.com R koNLP In value[[3L]](cond) : can't processing R 4.3 기준으로 koNLP를 설치하면 99%로 "In value[[3L]](cond) : can't processing"... blog.naver.com 우선 웹크롤링과 파싱을 위해 다음 라이브러리를 사용합니다. library(httr) library(rvest) 네이버 뉴스를 리스트하는 가장 쉬운 방법은 네이버

(flask-socketio) greenlet.error: cannot switch to a different thread [내부링크]

Traceback (most recent call last): File "C:\ProgramData\Anaconda3\lib\site-packages\eventlet\hubs\hub.py", line 476, in fire_timers timer() File "C:\ProgramData\Anaconda3\lib\site-packages\eventlet\hubs\timer.py", line 59, in __call__ cb(*args, **kw) File "C:\ProgramData\Anaconda3\lib\site-packages\eventlet\semaphore.py", line 147, in _do_acquire waiter.switch() greenlet.error: cannot switch to a different thread socketio 클라이언트들에게 일정 시간마다 메세지를 보내거나 rabbitMQ에서 받은 메세지를 broadcasting 할때, app.run은 블로

라즈베리파이 gocv HTTP 이미지 스트리밍 [내부링크]

cctv용으로 라즈베리파이를 사용하려고 만든 코드. FanOut방식 이용. subscribers를 chan을 담는 hash set으로 관리하려고 했지만 기본 지원을 안해서 map의 키를 chan으로 하고 값을 아무 의미없는 빈 구조체로 사용해 해결. GitHub - a16620/MJPG-HTTP-Streaming: MPEG Web streamer using gocv MPEG Web streamer using gocv. Contribute to a16620/MJPG-HTTP-Streaming development by creating an account on GitHub. github.com

C++ k-mean clustering implement [내부링크]

k-평균 알고리즘 - 위키백과, 우리 모두의 백과사전 k -평균 알고리즘 27개 언어 문서 토론 읽기 편집 역사 보기 위키백과, 우리 모두의 백과사전. 기계 학습 과 데이터 마이닝 펼치기 문제 펼치기 지도 학습 ( 통계적 분류 • 회귀 분석 ) 펼치기 클러스터 분석 펼치기 차원 축소 펼치기 그래프 모형 펼치기 이상 탐지 펼치기 인공 신경망 펼치기 강화 학습 펼치기 이론 펼치기 관련 문서 v t e k-평균 알고리즘 ( K-means clustering algorithm )은 주어진 데이터 를 k개의 클러스터 로 묶는 알고리즘으로, 각 클러스터와 거리 차이의 분산 을 최소화하는 방식으... ko.wikipedia.org 결과 미리보기: 고분산 샘플 저분산 샘플-단순 구현으로인한 미숙한 분류가 보인다 테스트용 표본 추출 코드: vector<xy> get_sample_data(const xy& center) { const auto batch_cnt = 50; vector<xy> datas

벡터 사영과 축 그리고 회전 [내부링크]

사영 벡터는 그림자가 지듯이 위 벡터의 그림자를 밑의 벡터로 나타내는 방법입니다. 정오에 밑 벡터 위에 해가 떴다고 생각하면 b 아래로 그림자가 생기겠죠? 그림판으로 그려서 참.. 이걸 보고 다음과 같이 표기하고 a 위로 b를 사영시킨다고 말합니다. 이것을 어떻게 식으로 나타내 봅시다. 우선 사영 벡터의 크기를 구합니다. a와 b가 이루는 각을 θ라 하면 좌변이 되고 cosθ는 내적으로 바꿔주면 우변의 식이 나옵니다. 사영 벡터는 밑 벡터와 방향이 같으므로 a를 단위벡터로 바꿔서 크기와 곱해주면 다음과 같이 사영을 얻을 수 있습니다. 추가로 생각하면, θ가 90도 이상이면 a와 반대 방향으로 그림자가 생깁니다. 이때 -a와 b 사이 더 작은 각을 θ'이라 하면 코사인의 성질에 따라 -가 상쇄되면서 위 식과 같아집니다. 여기서 더 나아가, 사영을 설명하면서 그림자를 이용했는데 뭔가 떠오르지 않을까요? 밑 벡터가 지면의 역할을 한단 말입니다. 즉, 밑 벡터가 x축이 되는 좌표 평면을 생

React.js useEffect에서 useRef로 컴포넌트 참조 시 undefined 오류 [내부링크]

<MyComp ref={myRef} /> 처럼 useRef로 컴포넌트를 참조하기도 합니다. 그런데 useEffect(..., [])를 이용해 초기화를 하면 아주 가끔씩 참조를 읽지 못하는 경우가 생깁니다. 이것은 ref가 할당되기 전에 useEffect가 실행돼서 일어나는 일입니다. useEffect(()=> { mapRef.current.setLevel(2); }, []); 할당되지 않아서 오류가 난다 그 해결책으로 useEffect 2번째 파라미터에 ref.current를 넣어주는 것입니다. 이 방법의 장점은 반드시 한 번은 이 경우 두 케이스를 생각할 수 있습니다. ref에 할당된 후 실행, ref에 할당되기 전 실행. 전자의 경우에는 current가 더는 바뀌지 않기 때문에 한 번의 실행이 확실시됩니다. 그러나 후자는 첫 실행에서 오류가 발생하고, 그 후에 정상 작동이 한번 일어납니다. 그래서 후자의 경우를 고려해 다음과 같은 코드를 추가합니다. if (!myRef.curre

실시간 검색어