{
  "id": 116616,
  "title": "[HW][JunghyunHwang]P4",
  "url": "/competitions/2019-fall-pr-project/discussion/116616",
  "author_name": "Junghyun Hwang",
  "post_date": "2019-11-10T10:18:27.107000",
  "votes": 0,
  "comment_count": 0,
  "views": 0,
  "content": "<ol>\n<li><p>영상 데이터를 최종적으로 1d vector로 만들기 위해, opencv를 활용하도록 한다.\n이미지 파일 접근 하기위해 먼저 학습용 디렉토리에 있는 모든 파일명을 리스트로 만든다.\n그 다음, 반복문을 이용하여 이미지 데이터는 imread로 이미지를 읽고 (32, 32) 크기로 resize하여 images 리스트에 저장하고, 파일명에 'cat'이 있을 경우는 labels에 0을 저장/ 'dog'가 있을 경우는 1을 저장한다.\n마지막으로 데이터 타입을 numpy array으로 변환하고, X를 1d vector로 reshape해준다.\n<img src=\"https://www.googleapis.com/download/storage/v1/b/kaggle-user-content/o/inbox%2F3878459%2Fb1732909792b75da5d1c30130f26c4cf%2FP4-1.png?generation=1573380816570154&amp;alt=media\" alt=\"\"></p></li>\n<li><p>traintestsplit을 이용하여 Train-Validation 을 나누어준다.\n그 다음 svm 모델을 학습시키는데, 이때 GridSearchCV를 이용하여 최적의 파라미터를 찾아준다.\n<img src=\"https://www.googleapis.com/download/storage/v1/b/kaggle-user-content/o/inbox%2F3878459%2Fb7041c9e02baf9666daf38f7e102f896%2FP4-2.png?generation=1573380913651436&amp;alt=media\" alt=\"\"></p></li>\n<li><p>1번과 같은 방법으로 test 데이터를 준비하고, 학습시킨 모델을 이용해서 test 데이터의 label을 구한다.\n<img src=\"https://www.googleapis.com/download/storage/v1/b/kaggle-user-content/o/inbox%2F3878459%2F60be61c48c976216565871f0e4e6671b%2FP4-3.png?generation=1573380996311171&amp;alt=media\" alt=\"\"></p></li>\n<li><p>결과값을 dataframe에 담아 csv파일로 저장한다.\n<img src=\"https://www.googleapis.com/download/storage/v1/b/kaggle-user-content/o/inbox%2F3878459%2Fb7d73cecb8a527bfdff5b243a8c8fbbb%2FP4-4.png?generation=1573381065496002&amp;alt=media\" alt=\"\"></p></li>\n</ol>",
  "messages": [
    {
      "id": 669681,
      "postDate": "2019-11-10T10:18:27.107Z",
      "content": "<ol>\n<li><p>영상 데이터를 최종적으로 1d vector로 만들기 위해, opencv를 활용하도록 한다.\n이미지 파일 접근 하기위해 먼저 학습용 디렉토리에 있는 모든 파일명을 리스트로 만든다.\n그 다음, 반복문을 이용하여 이미지 데이터는 imread로 이미지를 읽고 (32, 32) 크기로 resize하여 images 리스트에 저장하고, 파일명에 'cat'이 있을 경우는 labels에 0을 저장/ 'dog'가 있을 경우는 1을 저장한다.\n마지막으로 데이터 타입을 numpy array으로 변환하고, X를 1d vector로 reshape해준다.\n<img src=\"https://www.googleapis.com/download/storage/v1/b/kaggle-user-content/o/inbox%2F3878459%2Fb1732909792b75da5d1c30130f26c4cf%2FP4-1.png?generation=1573380816570154&amp;alt=media\" alt=\"\"></p></li>\n<li><p>traintestsplit을 이용하여 Train-Validation 을 나누어준다.\n그 다음 svm 모델을 학습시키는데, 이때 GridSearchCV를 이용하여 최적의 파라미터를 찾아준다.\n<img src=\"https://www.googleapis.com/download/storage/v1/b/kaggle-user-content/o/inbox%2F3878459%2Fb7041c9e02baf9666daf38f7e102f896%2FP4-2.png?generation=1573380913651436&amp;alt=media\" alt=\"\"></p></li>\n<li><p>1번과 같은 방법으로 test 데이터를 준비하고, 학습시킨 모델을 이용해서 test 데이터의 label을 구한다.\n<img src=\"https://www.googleapis.com/download/storage/v1/b/kaggle-user-content/o/inbox%2F3878459%2F60be61c48c976216565871f0e4e6671b%2FP4-3.png?generation=1573380996311171&amp;alt=media\" alt=\"\"></p></li>\n<li><p>결과값을 dataframe에 담아 csv파일로 저장한다.\n<img src=\"https://www.googleapis.com/download/storage/v1/b/kaggle-user-content/o/inbox%2F3878459%2Fb7d73cecb8a527bfdff5b243a8c8fbbb%2FP4-4.png?generation=1573381065496002&amp;alt=media\" alt=\"\"></p></li>\n</ol>",
      "rawMarkdown": "1.  영상 데이터를 최종적으로 1d vector로 만들기 위해, opencv를 활용하도록 한다.\n이미지 파일 접근 하기위해 먼저 학습용 디렉토리에 있는 모든 파일명을 리스트로 만든다.\n그 다음, 반복문을 이용하여 이미지 데이터는 imread로 이미지를 읽고 (32, 32) 크기로 resize하여 images 리스트에 저장하고, 파일명에 'cat'이 있을 경우는 labels에 0을 저장/ 'dog'가 있을 경우는 1을 저장한다.\n마지막으로 데이터 타입을 numpy array으로 변환하고, X를 1d vector로 reshape해준다.\n![](https://www.googleapis.com/download/storage/v1/b/kaggle-user-content/o/inbox%2F3878459%2Fb1732909792b75da5d1c30130f26c4cf%2FP4-1.png?generation=1573380816570154&amp;alt=media)\n\n2. traintestsplit을 이용하여 Train-Validation 을 나누어준다.\n그 다음 svm 모델을 학습시키는데, 이때 GridSearchCV를 이용하여 최적의 파라미터를 찾아준다.\n![](https://www.googleapis.com/download/storage/v1/b/kaggle-user-content/o/inbox%2F3878459%2Fb7041c9e02baf9666daf38f7e102f896%2FP4-2.png?generation=1573380913651436&amp;alt=media)\n\n3. 1번과 같은 방법으로 test 데이터를 준비하고, 학습시킨 모델을 이용해서 test 데이터의 label을 구한다.\n![](https://www.googleapis.com/download/storage/v1/b/kaggle-user-content/o/inbox%2F3878459%2F60be61c48c976216565871f0e4e6671b%2FP4-3.png?generation=1573380996311171&amp;alt=media)\n\n4. 결과값을 dataframe에 담아 csv파일로 저장한다.\n![](https://www.googleapis.com/download/storage/v1/b/kaggle-user-content/o/inbox%2F3878459%2Fb7d73cecb8a527bfdff5b243a8c8fbbb%2FP4-4.png?generation=1573381065496002&amp;alt=media)\n"
    }
  ],
  "comments": [],
  "raw_markdown_by_id": {
    "669681": "1.  영상 데이터를 최종적으로 1d vector로 만들기 위해, opencv를 활용하도록 한다.\n이미지 파일 접근 하기위해 먼저 학습용 디렉토리에 있는 모든 파일명을 리스트로 만든다.\n그 다음, 반복문을 이용하여 이미지 데이터는 imread로 이미지를 읽고 (32, 32) 크기로 resize하여 images 리스트에 저장하고, 파일명에 'cat'이 있을 경우는 labels에 0을 저장/ 'dog'가 있을 경우는 1을 저장한다.\n마지막으로 데이터 타입을 numpy array으로 변환하고, X를 1d vector로 reshape해준다.\n![](https://www.googleapis.com/download/storage/v1/b/kaggle-user-content/o/inbox%2F3878459%2Fb1732909792b75da5d1c30130f26c4cf%2FP4-1.png?generation=1573380816570154&amp;alt=media)\n\n2. traintestsplit을 이용하여 Train-Validation 을 나누어준다.\n그 다음 svm 모델을 학습시키는데, 이때 GridSearchCV를 이용하여 최적의 파라미터를 찾아준다.\n![](https://www.googleapis.com/download/storage/v1/b/kaggle-user-content/o/inbox%2F3878459%2Fb7041c9e02baf9666daf38f7e102f896%2FP4-2.png?generation=1573380913651436&amp;alt=media)\n\n3. 1번과 같은 방법으로 test 데이터를 준비하고, 학습시킨 모델을 이용해서 test 데이터의 label을 구한다.\n![](https://www.googleapis.com/download/storage/v1/b/kaggle-user-content/o/inbox%2F3878459%2F60be61c48c976216565871f0e4e6671b%2FP4-3.png?generation=1573380996311171&amp;alt=media)\n\n4. 결과값을 dataframe에 담아 csv파일로 저장한다.\n![](https://www.googleapis.com/download/storage/v1/b/kaggle-user-content/o/inbox%2F3878459%2Fb7d73cecb8a527bfdff5b243a8c8fbbb%2FP4-4.png?generation=1573381065496002&amp;alt=media)\n"
  }
}