{
  "id": 116607,
  "title": "[hw]hrkim",
  "url": "/competitions/2019-fall-pr-project/discussion/116607",
  "author_name": "KimHaeRin",
  "post_date": "2019-11-10T09:16:50.051000",
  "votes": 0,
  "comment_count": 0,
  "views": 0,
  "content": "<h2>이미지데이터 분류 문제</h2>\n\n<p><img src=\"https://www.googleapis.com/download/storage/v1/b/kaggle-user-content/o/inbox%2F2513293%2Fd7292fda636aa27fee66c84888ffb0d0%2F1.PNG?generation=1573376939368808&amp;alt=media\" alt=\"\">\n- 주어진 트레인 데이터를 opencv를 이용해서 읽고, 32*32크기로 바꾸고 1D 벡터로 풀어서 리스트자료형으로 각각 이미지데이타는 datas에,  개와 고양이라는 라벨은 1과 0으로  labels에 넣었습니다. </p>\n\n<p><img src=\"https://www.googleapis.com/download/storage/v1/b/kaggle-user-content/o/inbox%2F2513293%2F9a51fb8acf71fe01706e3b84d6472081%2F2.PNG?generation=1573376940268144&amp;alt=media\" alt=\"\">\n- 사이킷런 서포트 벡터 분류기 모델에서 kernel은 linear로, class_weight는 balanced로 인자를 설정하고 모델에 넣었습니다.</p>\n\n<p><img src=\"https://www.googleapis.com/download/storage/v1/b/kaggle-user-content/o/inbox%2F2513293%2F1a3f6b9bba2060bf1b9abe6d73d91e0c%2F3.PNG?generation=1573376940657781&amp;alt=media\" alt=\"\">\n- 주어진 테스트 데이터를 opencv를 이용해서 읽고, 32*32크기로 바꾸고 1D 벡터로 풀어서 리스트(test_data)에 넣었습니다. </p>\n\n<p><img src=\"https://www.googleapis.com/download/storage/v1/b/kaggle-user-content/o/inbox%2F2513293%2F7a8e0fad1af967b1c52805b36f18bf9c%2F4.PNG?generation=1573376939938435&amp;alt=media\" alt=\"\">\n- 사이킷런 서포트 벡터 분류기 모델의 predict방법을 이용해서 테스트 데이터의 예측 라벨을 구했습니다.</p>\n\n<p><img src=\"https://www.googleapis.com/download/storage/v1/b/kaggle-user-content/o/inbox%2F2513293%2Fa91bb7a95ab7745dbeaa3ef7af78bf18%2F5.PNG?generation=1573376939401699&amp;alt=media\" alt=\"\">\n- 판다스를 DataFrame으로 'id'의 키값에 1부터 5000까지의 인덱스를, 'label'의 키값에 예측값이 나오도록 하고 csv파일로 바꿨습니다.</p>",
  "messages": [
    {
      "id": 669635,
      "postDate": "2019-11-10T09:16:50.053Z",
      "content": "<h2>이미지데이터 분류 문제</h2>\n\n<p><img src=\"https://www.googleapis.com/download/storage/v1/b/kaggle-user-content/o/inbox%2F2513293%2Fd7292fda636aa27fee66c84888ffb0d0%2F1.PNG?generation=1573376939368808&amp;alt=media\" alt=\"\">\n- 주어진 트레인 데이터를 opencv를 이용해서 읽고, 32*32크기로 바꾸고 1D 벡터로 풀어서 리스트자료형으로 각각 이미지데이타는 datas에,  개와 고양이라는 라벨은 1과 0으로  labels에 넣었습니다. </p>\n\n<p><img src=\"https://www.googleapis.com/download/storage/v1/b/kaggle-user-content/o/inbox%2F2513293%2F9a51fb8acf71fe01706e3b84d6472081%2F2.PNG?generation=1573376940268144&amp;alt=media\" alt=\"\">\n- 사이킷런 서포트 벡터 분류기 모델에서 kernel은 linear로, class_weight는 balanced로 인자를 설정하고 모델에 넣었습니다.</p>\n\n<p><img src=\"https://www.googleapis.com/download/storage/v1/b/kaggle-user-content/o/inbox%2F2513293%2F1a3f6b9bba2060bf1b9abe6d73d91e0c%2F3.PNG?generation=1573376940657781&amp;alt=media\" alt=\"\">\n- 주어진 테스트 데이터를 opencv를 이용해서 읽고, 32*32크기로 바꾸고 1D 벡터로 풀어서 리스트(test_data)에 넣었습니다. </p>\n\n<p><img src=\"https://www.googleapis.com/download/storage/v1/b/kaggle-user-content/o/inbox%2F2513293%2F7a8e0fad1af967b1c52805b36f18bf9c%2F4.PNG?generation=1573376939938435&amp;alt=media\" alt=\"\">\n- 사이킷런 서포트 벡터 분류기 모델의 predict방법을 이용해서 테스트 데이터의 예측 라벨을 구했습니다.</p>\n\n<p><img src=\"https://www.googleapis.com/download/storage/v1/b/kaggle-user-content/o/inbox%2F2513293%2Fa91bb7a95ab7745dbeaa3ef7af78bf18%2F5.PNG?generation=1573376939401699&amp;alt=media\" alt=\"\">\n- 판다스를 DataFrame으로 'id'의 키값에 1부터 5000까지의 인덱스를, 'label'의 키값에 예측값이 나오도록 하고 csv파일로 바꿨습니다.</p>",
      "rawMarkdown": "## 이미지데이터 분류 문제\n\n![](https://www.googleapis.com/download/storage/v1/b/kaggle-user-content/o/inbox%2F2513293%2Fd7292fda636aa27fee66c84888ffb0d0%2F1.PNG?generation=1573376939368808&amp;alt=media)\n- 주어진 트레인 데이터를 opencv를 이용해서 읽고, 32*32크기로 바꾸고 1D 벡터로 풀어서 리스트자료형으로 각각 이미지데이타는 datas에,  개와 고양이라는 라벨은 1과 0으로  labels에 넣었습니다. \n\n![](https://www.googleapis.com/download/storage/v1/b/kaggle-user-content/o/inbox%2F2513293%2F9a51fb8acf71fe01706e3b84d6472081%2F2.PNG?generation=1573376940268144&amp;alt=media)\n- 사이킷런 서포트 벡터 분류기 모델에서 kernel은 linear로, class_weight는 balanced로 인자를 설정하고 모델에 넣었습니다.\n\n![](https://www.googleapis.com/download/storage/v1/b/kaggle-user-content/o/inbox%2F2513293%2F1a3f6b9bba2060bf1b9abe6d73d91e0c%2F3.PNG?generation=1573376940657781&amp;alt=media)\n- 주어진 테스트 데이터를 opencv를 이용해서 읽고, 32*32크기로 바꾸고 1D 벡터로 풀어서 리스트(test_data)에 넣었습니다. \n\n![](https://www.googleapis.com/download/storage/v1/b/kaggle-user-content/o/inbox%2F2513293%2F7a8e0fad1af967b1c52805b36f18bf9c%2F4.PNG?generation=1573376939938435&amp;alt=media)\n- 사이킷런 서포트 벡터 분류기 모델의 predict방법을 이용해서 테스트 데이터의 예측 라벨을 구했습니다.\n\n![](https://www.googleapis.com/download/storage/v1/b/kaggle-user-content/o/inbox%2F2513293%2Fa91bb7a95ab7745dbeaa3ef7af78bf18%2F5.PNG?generation=1573376939401699&amp;alt=media)\n- 판다스를 DataFrame으로 'id'의 키값에 1부터 5000까지의 인덱스를, 'label'의 키값에 예측값이 나오도록 하고 csv파일로 바꿨습니다."
    }
  ],
  "comments": [],
  "raw_markdown_by_id": {
    "669635": "## 이미지데이터 분류 문제\n\n![](https://www.googleapis.com/download/storage/v1/b/kaggle-user-content/o/inbox%2F2513293%2Fd7292fda636aa27fee66c84888ffb0d0%2F1.PNG?generation=1573376939368808&amp;alt=media)\n- 주어진 트레인 데이터를 opencv를 이용해서 읽고, 32*32크기로 바꾸고 1D 벡터로 풀어서 리스트자료형으로 각각 이미지데이타는 datas에,  개와 고양이라는 라벨은 1과 0으로  labels에 넣었습니다. \n\n![](https://www.googleapis.com/download/storage/v1/b/kaggle-user-content/o/inbox%2F2513293%2F9a51fb8acf71fe01706e3b84d6472081%2F2.PNG?generation=1573376940268144&amp;alt=media)\n- 사이킷런 서포트 벡터 분류기 모델에서 kernel은 linear로, class_weight는 balanced로 인자를 설정하고 모델에 넣었습니다.\n\n![](https://www.googleapis.com/download/storage/v1/b/kaggle-user-content/o/inbox%2F2513293%2F1a3f6b9bba2060bf1b9abe6d73d91e0c%2F3.PNG?generation=1573376940657781&amp;alt=media)\n- 주어진 테스트 데이터를 opencv를 이용해서 읽고, 32*32크기로 바꾸고 1D 벡터로 풀어서 리스트(test_data)에 넣었습니다. \n\n![](https://www.googleapis.com/download/storage/v1/b/kaggle-user-content/o/inbox%2F2513293%2F7a8e0fad1af967b1c52805b36f18bf9c%2F4.PNG?generation=1573376939938435&amp;alt=media)\n- 사이킷런 서포트 벡터 분류기 모델의 predict방법을 이용해서 테스트 데이터의 예측 라벨을 구했습니다.\n\n![](https://www.googleapis.com/download/storage/v1/b/kaggle-user-content/o/inbox%2F2513293%2Fa91bb7a95ab7745dbeaa3ef7af78bf18%2F5.PNG?generation=1573376939401699&amp;alt=media)\n- 판다스를 DataFrame으로 'id'의 키값에 1부터 5000까지의 인덱스를, 'label'의 키값에 예측값이 나오도록 하고 csv파일로 바꿨습니다."
  }
}