제 1 유형

① trash_bag 데이터셋은 지역별 종량제 봉투 가격에 대한 정보를 포함한다. 각 용량별 가격 컬럼은 각 항의 조건을 만족하는 해당 종량제 봉투가 존재하면 가격을 값으로, 존재하지 않으면 0을 값으로 갖는다.
용도가 ’음식물쓰레기’이고 사용 대상이 ’가정용’인 2L 봉투 가격의 평균을 정수로 출력하시오. (소수점 내림)

데이터 : trash_bag.csv

② BMI(Body Mass Index, 체질량 지수) 는 몸무게(kg)를 키(m)의 제곱으로 나누어 계산된다.
BMI에 따른 비만도 분류는 다음과 같다.

BMI 범위	비만도 분류
18.5 미만	저체중
18.5 이상 23 미만	정상
23이상 25 미만	과체중
25 이상 30 미만	경도비만
30 이상	중등도비만

주어진 BMI 데이터셋에서 비만도가 정상에 속하는 인원 수와 과체중에 속하는 인원 수의 차이를 정수로 출력하시오.

데이터 : BMI.csv

③ students 데이터셋은 각 학교의 학년별 총 전입학생, 총 전출학생, 전체학생 수 정보를 포함한다.
순 전입학생이 가장 많은 학교의 전체학생 수를 구하시오.
(순 전입학생 수 = 총 전입학생 수 - 총 전출학생 수)

데이터 : students.csv

import pandas as pd

# 데이터 로드
df = pd.read_csv(
    'https://raw.githubusercontent.com/YoungjinBD/dataset/main/trash_bag.csv', 
    encoding='cp949'
)

# 데이터 구조와 고유값 확인
print("DataFrame 초기 확인:")

## DataFrame 초기 확인:

print(df.head(), "\n")

##    시도명 시군구명       종류 처리방식      용도  ... 60L가격  75L가격  100L가격  120L가격  125L가격
## 0  강원도  강릉시     규격봉투  매립용   생활쓰레기  ...     0   1880       0       0       0
## 1  강원도  강릉시  재사용규격봉투  매립용   생활쓰레기  ...     0      0       0       0       0
## 2  강원도  고성군     규격봉투  소각용   생활쓰레기  ...     0      0    2410       0       0
## 3  강원도  고성군     규격봉투  소각용  음식물쓰레기  ...     0      0       0       0       0
## 4  강원도  고성군   특수규격마대  매립용   생활쓰레기  ...     0      0       0       0       0
## 
## [5 rows x 21 columns]

print("고유값 ('용도'):", df['용도'].unique())

## 고유값 ('용도'): ['생활쓰레기' '음식물쓰레기']

print("고유값 ('사용대상'):", df['사용대상'].unique(), "\n")

## 고유값 ('사용대상'): ['기타' '가정용' '사업장용' '영업용' '영업장용' '범용']

# 조건 필터링
df_home_trash = df.query("용도 == '음식물쓰레기' and 사용대상 == '가정용'")
print("필터링된 데이터:")

## 필터링된 데이터:

print(df_home_trash.head())

##     시도명 시군구명    종류 처리방식      용도  ... 60L가격  75L가격  100L가격  120L가격  125L가격
## 3   강원도  고성군  규격봉투  소각용  음식물쓰레기  ...     0      0       0       0       0
## 8   강원도  삼척시  규격봉투  매립용  음식물쓰레기  ...     0      0       0       0       0
## 9   강원도  양구군  규격봉투  매립용  음식물쓰레기  ...     0      0       0       0       0
## 12  강원도  양양군  규격봉투   기타  음식물쓰레기  ...     0      0       0       0       0
## 16  강원도  영월군  규격봉투  매립용  음식물쓰레기  ...     0   1350       0       0       0
## 
## [5 rows x 21 columns]

# df_home_trash 데이터프레임에서 '2L가격'이 0이 아닌 데이터만 필터링한 뒤 '2L가격' 컬럼의 평균 계산하고 정수형태로 출력

# '2L가격'이 0이 아닌 데이터 필터링
result_df = df_home_trash.query("`2L가격` != 0")
print("필터링된 데이터 (2L가격 != 0):")

## 필터링된 데이터 (2L가격 != 0):

print(result_df.head(), "\n")

##     시도명 시군구명    종류 처리방식      용도  ... 60L가격  75L가격  100L가격  120L가격  125L가격
## 3   강원도  고성군  규격봉투  소각용  음식물쓰레기  ...     0      0       0       0       0
## 9   강원도  양구군  규격봉투  매립용  음식물쓰레기  ...     0      0       0       0       0
## 12  강원도  양양군  규격봉투   기타  음식물쓰레기  ...     0      0       0       0       0
## 20  강원도  원주시  규격봉투   기타  음식물쓰레기  ...     0      0       0       0       0
## 33  강원도  춘천시  규격봉투  매립용  음식물쓰레기  ...     0      0       0       0       0
## 
## [5 rows x 21 columns]

# '2L가격'의 평균 계산
result = int(result_df['2L가격'].mean())
print(f"'2L가격'의 평균값 (정수형): {result}")

## '2L가격'의 평균값 (정수형): 119

import pandas as pd

# 데이터 로드
df = pd.read_csv('https://raw.githubusercontent.com/YoungjinBD/dataset/main/BMI.csv')
print("초기 데이터:")

## 초기 데이터:

print(df.head(), "\n")

##    Gender  Height  Weight
## 0    Male     174      96
## 1    Male     189      87
## 2  Female     185     110
## 3  Female     195     104
## 4    Male     149      61

# 키 변환 및 BMI 계산
df["Height_m"] = df["Height"] / 100
df["BMI"] = df["Weight"] / (df["Height_m"] ** 2)

print("BMI 계산 결과:")

## BMI 계산 결과:

print(df[["Gender", "Height", "Weight", "Height_m", "BMI"]].head(), "\n")

##    Gender  Height  Weight  Height_m        BMI
## 0    Male     174      96      1.74  31.708284
## 1    Male     189      87      1.89  24.355421
## 2  Female     185     110      1.85  32.140248
## 3  Female     195     104      1.95  27.350427
## 4    Male     149      61      1.49  27.476240

# BMI 범주별 인원 계산
normal = df.query("18.5 <= BMI < 23").shape[0]
overweight = df.query("23 <= BMI < 25").shape[0]

print(f"정상 체중 인원: {normal}")

## 정상 체중 인원: 47

print(f"과체중 인원: {overweight}")

## 과체중 인원: 19

# 정상 체중과 과체중 인원 차이 (절대값)
result = abs(normal - overweight)
print(f"정상 체중과 과체중 인원의 차이 (절대값): {result}")

## 정상 체중과 과체중 인원의 차이 (절대값): 28

# 학교별 순 전입학생수 계산하고 순전입학생수가 제일 많은 학교의 전체 학생수 계산 

import pandas as pd

# 데이터 로드
df = pd.read_csv(
    'https://raw.githubusercontent.com/YoungjinBD/dataset/main/students.csv',
    encoding='cp949'
)
print("초기 데이터:")

## 초기 데이터:

print(df.head(), "\n")

##   학교  학년  총 전입학생  총 전출학생  전체학생 수
## 0  A   1       9       1     222
## 1  A   2      13       4     148
## 2  A   3       8       7     196
## 3  B   1       7       5     171
## 4  B   2       9       1     216

# 데이터프레임 컬럼명 확인
print("현재 데이터프레임의 컬럼명:")

## 현재 데이터프레임의 컬럼명:

print(df.columns, "\n")

## Index(['학교', '학년', '총 전입학생', '총 전출학생', '전체학생 수'], dtype='object')

# 순 전입학생 수 계산
df['순 전입학생 수'] = df['총 전입학생'] - df['총 전출학생']
print("순 전입학생 수 추가:")

## 순 전입학생 수 추가:

print(df[['학교', '학년', '총 전입학생', '총 전출학생', '순 전입학생 수']].head(), "\n")

##   학교  학년  총 전입학생  총 전출학생  순 전입학생 수
## 0  A   1       9       1         8
## 1  A   2      13       4         9
## 2  A   3       8       7         1
## 3  B   1       7       5         2
## 4  B   2       9       1         8

# 학교별 데이터 집계
result_df = df.groupby('학교')[['순 전입학생 수', '전체학생 수']].sum()
print("학교별 데이터 집계:")

## 학교별 데이터 집계:

print(result_df, "\n")

##     순 전입학생 수  전체학생 수
## 학교                  
## A         18     566
## B         13     588
## C         -9     528
## D          7     548
## E         14     603
## F          1     481
## G         10     618
## H         -1     602

# 최대값 조건 필터링
max_total_students = result_df.loc[
    result_df['순 전입학생 수'].idxmax(),
    '전체학생 수'
]
print(f"순 전입학생 수가 가장 많은 학교의 전체학생 수: {max_total_students}")

## 순 전입학생 수가 가장 많은 학교의 전체학생 수: 566

제 2 유형

used_car 데이터셋은 중고차와 관련한 정보를 가지고 있다.

변수	설명
id	중고차 ID 번호
model	차량 모델명
year	차량 등록 연도
transmission	변속기 종류
mileage	주행 거리
fuelType	엔진 연료 종류
tax	도로세
mpg	갤런당 마일(miles per gallon, 연비)
engineSize	엔진 크기
price	가격(파운드)

데이터 :

used_car_y_train.csv (7,468대 데이터)

id	price
1	21350
2	69691
3	42950
4	31470

used_car_X_train.csv (7,468대 데이터), used_car_X_test.csv (3,200대 데이터)

id	model	year	transmission	mileage	fuelType	tax	mpg	engineSize
1	A1	2019	Automatic	3500	Petrol	145	40.9	2.0
2	RS4	2020	Semi-Auto	2500	Petrol	145	28.8	2.9
3	A8	2019	Semi-Auto	500	Diesel	145	40.4	3.0
4	Q5	2019	Semi-Auto	5089	Diesel	150	38.2	2.0

주어진 학습용 데이터(used_car_y_train.csv, used_car_X_train.csv)를 이용하여 중고차의 판매 가격을 예측하고, 이를 평가용 데이터(used_car_X_test.csv)에 적용하여 얻은 예측 결과를 다음과 같은 형식의 CSV 파일로 생성하시오.
(제출한 모델의 성능은 RMSE 평가 지표에 따라 채점)

ID,Price
1,12500
2,16500
3,11000
...

추출된 텍스트가 원본과 일치하는지 확인 후 알려주세요! 😊

import pandas as pd

# 데이터 로드
X_test = pd.read_csv('https://raw.githubusercontent.com/YoungjinBD/dataset/main/used_car_X_test.csv')
X_train = pd.read_csv('https://raw.githubusercontent.com/YoungjinBD/dataset/main/used_car_X_train.csv')
y_train = pd.read_csv('https://raw.githubusercontent.com/YoungjinBD/dataset/main/used_car_y_train.csv')

# 데이터 구조 확인
print("X_train 데이터프레임의 첫 5행:")

## X_train 데이터프레임의 첫 5행:

print(X_train.head(), "\n")

##    id model  year transmission  mileage fuelType  tax   mpg  engineSize
## 0   1    A1  2019    Automatic     3500   Petrol  145  40.9         2.0
## 1   2   RS4  2020    Semi-Auto     2500   Petrol  145  28.8         2.9
## 2   3    A8  2019    Semi-Auto      500   Diesel  145  40.4         3.0
## 3   4    Q5  2019    Semi-Auto     5089   Diesel  150  38.2         2.0
## 4   5    A5  2020    Semi-Auto     4951   Diesel  145  51.4         2.0

# 결측치 확인
for dataset_name, dataset in zip(["X_train", "y_train", "X_test"], [X_train, y_train, X_test]):
    missing_count = dataset.isnull().sum().sum()
    print(f"{dataset_name}의 총 결측치 개수: {missing_count}")

## X_train의 총 결측치 개수: 0
## y_train의 총 결측치 개수: 0
## X_test의 총 결측치 개수: 0

from sklearn.preprocessing import MinMaxScaler
import pandas as pd

# 데이터 로드
X_train = pd.read_csv('https://raw.githubusercontent.com/YoungjinBD/dataset/main/used_car_X_train.csv')
X_test = pd.read_csv('https://raw.githubusercontent.com/YoungjinBD/dataset/main/used_car_X_test.csv')

# 숫자형 데이터와 범주형 데이터 분리
numeric_features = ['mileage', 'tax', 'mpg', 'engineSize']
categorical_features = ['model', 'transmission', 'fuelType']

X_train_num = X_train[numeric_features]
X_test_num = X_test[numeric_features]

X_train_word = X_train[categorical_features]
X_test_word = X_test[categorical_features]

# MinMaxScaler 초기화 및 스케일링
scaler = MinMaxScaler()
X_train_num_scale = scaler.fit_transform(X_train_num)
X_test_num_scale = scaler.transform(X_test_num)

# 스케일링된 데이터를 DataFrame으로 변환
df_train_num = pd.DataFrame(X_train_num_scale, columns=X_train_num.columns)
df_test_num = pd.DataFrame(X_test_num_scale, columns=X_test_num.columns)

# 원-핫 인코딩 및 타입 변환
df_train_word = pd.get_dummies(X_train_word).astype(int) # 1,0으로 코딩하기 위해 astype(int)를 넣었음 
df_test_word = pd.get_dummies(X_test_word).astype(int)

# 최종 데이터 확인
print("스케일링된 숫자형 데이터 (X_train):")

## 스케일링된 숫자형 데이터 (X_train):

print(df_train_num.head(), "\n")

##     mileage       tax       mpg  engineSize
## 0  0.020825  0.250000  0.127811    0.317460
## 1  0.014874  0.250000  0.056213    0.460317
## 2  0.002970  0.250000  0.124852    0.476190
## 3  0.030283  0.258621  0.111834    0.317460
## 4  0.029461  0.250000  0.189941    0.317460

print("원-핫 인코딩된 범주형 데이터 (X_train):")

## 원-핫 인코딩된 범주형 데이터 (X_train):

print(df_train_word.head(), "\n")

##    model_ A1  model_ A2  ...  fuelType_Hybrid  fuelType_Petrol
## 0          1          0  ...                0                1
## 1          0          0  ...                0                1
## 2          0          0  ...                0                0
## 3          0          0  ...                0                0
## 4          0          0  ...                0                0
## 
## [5 rows x 32 columns]

# 훈련 데이터와 테스트 데이터의 컬럼 차이 확인
train_columns = set(df_train_word.columns)
test_columns = set(df_test_word.columns)

missing_in_test = train_columns - test_columns
missing_in_train = test_columns - train_columns

print("테스트 데이터에 없는 컬럼:", missing_in_test)

## 테스트 데이터에 없는 컬럼: {'model_ A2', 'model_ RS7', 'model_ S8', 'model_ S5'}

print("훈련 데이터에 없는 컬럼:", missing_in_train)

## 훈련 데이터에 없는 컬럼: set()

# 테스트 데이터에 없는 컬럼 추가
for col in missing_in_test:
    df_test_word[col] = 0

# 훈련 데이터에 없는 컬럼 추가 (만약 필요할 경우)
for col in missing_in_train:
    df_train_word[col] = 0

# 데이터 결합
df_train = pd.concat([df_train_num, df_train_word], axis=1)
df_test = pd.concat([df_test_num, df_test_word], axis=1)

# 결합된 데이터 확인
print("결합된 훈련 데이터:")

## 결합된 훈련 데이터:

print(df_train.head())

##     mileage       tax  ...  fuelType_Hybrid  fuelType_Petrol
## 0  0.020825  0.250000  ...                0                1
## 1  0.014874  0.250000  ...                0                1
## 2  0.002970  0.250000  ...                0                0
## 3  0.030283  0.258621  ...                0                0
## 4  0.029461  0.250000  ...                0                0
## 
## [5 rows x 36 columns]

print("결합된 테스트 데이터:")

## 결합된 테스트 데이터:

print(df_test.head())

##     mileage       tax       mpg  ...  model_ RS7  model_ S8  model_ S5
## 0  0.023801  0.250000  0.207101  ...           0          0          0
## 1  0.186286  0.051724  0.249112  ...           0          0          0
## 2  0.067226  0.258621  0.111834  ...           0          0          0
## 3  0.038681  0.250000  0.213609  ...           0          0          0
## 4  0.187619  0.051724  0.241420  ...           0          0          0
## 
## [5 rows x 36 columns]

import xgboost as xgb
from sklearn.metrics import mean_squared_error
import numpy as np

# 데이터 확인
# print("df_train 정보:")
df_train.info()

## <class 'pandas.core.frame.DataFrame'>
## RangeIndex: 7468 entries, 0 to 7467
## Data columns (total 36 columns):
##  #   Column                  Non-Null Count  Dtype  
## ---  ------                  --------------  -----  
##  0   mileage                 7468 non-null   float64
##  1   tax                     7468 non-null   float64
##  2   mpg                     7468 non-null   float64
##  3   engineSize              7468 non-null   float64
##  4   model_ A1               7468 non-null   int32  
##  5   model_ A2               7468 non-null   int32  
##  6   model_ A3               7468 non-null   int32  
##  7   model_ A4               7468 non-null   int32  
##  8   model_ A5               7468 non-null   int32  
##  9   model_ A6               7468 non-null   int32  
##  10  model_ A7               7468 non-null   int32  
##  11  model_ A8               7468 non-null   int32  
##  12  model_ Q2               7468 non-null   int32  
##  13  model_ Q3               7468 non-null   int32  
##  14  model_ Q5               7468 non-null   int32  
##  15  model_ Q7               7468 non-null   int32  
##  16  model_ Q8               7468 non-null   int32  
##  17  model_ R8               7468 non-null   int32  
##  18  model_ RS3              7468 non-null   int32  
##  19  model_ RS4              7468 non-null   int32  
##  20  model_ RS5              7468 non-null   int32  
##  21  model_ RS6              7468 non-null   int32  
##  22  model_ RS7              7468 non-null   int32  
##  23  model_ S3               7468 non-null   int32  
##  24  model_ S4               7468 non-null   int32  
##  25  model_ S5               7468 non-null   int32  
##  26  model_ S8               7468 non-null   int32  
##  27  model_ SQ5              7468 non-null   int32  
##  28  model_ SQ7              7468 non-null   int32  
##  29  model_ TT               7468 non-null   int32  
##  30  transmission_Automatic  7468 non-null   int32  
##  31  transmission_Manual     7468 non-null   int32  
##  32  transmission_Semi-Auto  7468 non-null   int32  
##  33  fuelType_Diesel         7468 non-null   int32  
##  34  fuelType_Hybrid         7468 non-null   int32  
##  35  fuelType_Petrol         7468 non-null   int32  
## dtypes: float64(4), int32(32)
## memory usage: 1.1 MB

# print("df_test 정보:")
df_test.info()

## <class 'pandas.core.frame.DataFrame'>
## RangeIndex: 3200 entries, 0 to 3199
## Data columns (total 36 columns):
##  #   Column                  Non-Null Count  Dtype  
## ---  ------                  --------------  -----  
##  0   mileage                 3200 non-null   float64
##  1   tax                     3200 non-null   float64
##  2   mpg                     3200 non-null   float64
##  3   engineSize              3200 non-null   float64
##  4   model_ A1               3200 non-null   int32  
##  5   model_ A3               3200 non-null   int32  
##  6   model_ A4               3200 non-null   int32  
##  7   model_ A5               3200 non-null   int32  
##  8   model_ A6               3200 non-null   int32  
##  9   model_ A7               3200 non-null   int32  
##  10  model_ A8               3200 non-null   int32  
##  11  model_ Q2               3200 non-null   int32  
##  12  model_ Q3               3200 non-null   int32  
##  13  model_ Q5               3200 non-null   int32  
##  14  model_ Q7               3200 non-null   int32  
##  15  model_ Q8               3200 non-null   int32  
##  16  model_ R8               3200 non-null   int32  
##  17  model_ RS3              3200 non-null   int32  
##  18  model_ RS4              3200 non-null   int32  
##  19  model_ RS5              3200 non-null   int32  
##  20  model_ RS6              3200 non-null   int32  
##  21  model_ S3               3200 non-null   int32  
##  22  model_ S4               3200 non-null   int32  
##  23  model_ SQ5              3200 non-null   int32  
##  24  model_ SQ7              3200 non-null   int32  
##  25  model_ TT               3200 non-null   int32  
##  26  transmission_Automatic  3200 non-null   int32  
##  27  transmission_Manual     3200 non-null   int32  
##  28  transmission_Semi-Auto  3200 non-null   int32  
##  29  fuelType_Diesel         3200 non-null   int32  
##  30  fuelType_Hybrid         3200 non-null   int32  
##  31  fuelType_Petrol         3200 non-null   int32  
##  32  model_ A2               3200 non-null   int64  
##  33  model_ RS7              3200 non-null   int64  
##  34  model_ S8               3200 non-null   int64  
##  35  model_ S5               3200 non-null   int64  
## dtypes: float64(4), int32(28), int64(4)
## memory usage: 550.1 KB

# 모델 생성
model = xgb.XGBRegressor(random_state=77)

# 모델 학습
model.fit(df_train, y_train["price"])

XGBRegressor(base_score=None, booster=None, callbacks=None,
             colsample_bylevel=None, colsample_bynode=None,
             colsample_bytree=None, device=None, early_stopping_rounds=None,
             enable_categorical=False, eval_metric=None, feature_types=None,
             gamma=None, grow_policy=None, importance_type=None,
             interaction_constraints=None, learning_rate=None, max_bin=None,
             max_cat_threshold=None, max_cat_to_onehot=None,
             max_delta_step=None, max_depth=None, max_leaves=None,
             min_child_weight=None, missing=nan, monotone_constraints=None,
             multi_strategy=None, n_estimators=None, n_jobs=None,
             num_parallel_tree=None, random_state=77, ...)

In a Jupyter environment, please rerun this cell to show the HTML representation or trust the notebook.
On GitHub, the HTML representation is unable to render, please try loading this page with nbviewer.org.

# 검증 데이터로 성능 평가
y_pred = model.predict(df_train)
rmse = np.sqrt(mean_squared_error(y_train["price"], y_pred))
print(f"\n검증 데이터 RMSE: {rmse:.2f}")

## 
## 검증 데이터 RMSE: 1693.07

missing_in_test = set(df_train.columns) - set(df_test.columns)
missing_in_train = set(df_test.columns) - set(df_train.columns)
print("테스트 데이터에 없는 컬럼:", missing_in_test)

## 테스트 데이터에 없는 컬럼: set()

print("훈련 데이터에 없는 컬럼:", missing_in_train)

## 훈련 데이터에 없는 컬럼: set()

print("df_train 컬럼:", df_train.columns)

## df_train 컬럼: Index(['mileage', 'tax', 'mpg', 'engineSize', 'model_ A1', 'model_ A2',
##        'model_ A3', 'model_ A4', 'model_ A5', 'model_ A6', 'model_ A7',
##        'model_ A8', 'model_ Q2', 'model_ Q3', 'model_ Q5', 'model_ Q7',
##        'model_ Q8', 'model_ R8', 'model_ RS3', 'model_ RS4', 'model_ RS5',
##        'model_ RS6', 'model_ RS7', 'model_ S3', 'model_ S4', 'model_ S5',
##        'model_ S8', 'model_ SQ5', 'model_ SQ7', 'model_ TT',
##        'transmission_Automatic', 'transmission_Manual',
##        'transmission_Semi-Auto', 'fuelType_Diesel', 'fuelType_Hybrid',
##        'fuelType_Petrol'],
##       dtype='object')

print("df_test 컬럼:", df_test.columns)

## df_test 컬럼: Index(['mileage', 'tax', 'mpg', 'engineSize', 'model_ A1', 'model_ A3',
##        'model_ A4', 'model_ A5', 'model_ A6', 'model_ A7', 'model_ A8',
##        'model_ Q2', 'model_ Q3', 'model_ Q5', 'model_ Q7', 'model_ Q8',
##        'model_ R8', 'model_ RS3', 'model_ RS4', 'model_ RS5', 'model_ RS6',
##        'model_ S3', 'model_ S4', 'model_ SQ5', 'model_ SQ7', 'model_ TT',
##        'transmission_Automatic', 'transmission_Manual',
##        'transmission_Semi-Auto', 'fuelType_Diesel', 'fuelType_Hybrid',
##        'fuelType_Petrol', 'model_ A2', 'model_ RS7', 'model_ S8', 'model_ S5'],
##       dtype='object')

df_test = df_test[df_train.columns] # test의 컬럼 순서를 train과 동일하게 변경 

# 예측 수행
y_pred1 = model.predict(df_test)
df_result = pd.DataFrame({'price': y_pred1})

# 결과 확인
print("예측 결과 데이터프레임:")

## 예측 결과 데이터프레임:

print(df_result.head())

##           price
## 0  29922.884766
## 1  17874.656250
## 2  34470.707031
## 3  15347.687500
## 4  15160.128906

# CSV 파일 저장
df_result.to_csv("result.csv", index=False)
print("결과가 result.csv 파일에 저장되었습니다.")

## 결과가 result.csv 파일에 저장되었습니다.

from sklearn.metrics import mean_squared_error, mean_absolute_error, r2_score
import numpy as np

# 예측값과 실제값
y_pred = model.predict(df_train)  # 검증 데이터 예측값
y_actual = y_train["price"]                 # 검증 데이터 실제값

# 평가 지표 계산
mse = mean_squared_error(y_actual, y_pred)
rmse = np.sqrt(mse)
mae = mean_absolute_error(y_actual, y_pred)
r2 = r2_score(y_actual, y_pred)

# 결과 출력
print(f"Mean Squared Error (MSE): {mse:.2f}")

## Mean Squared Error (MSE): 2866489.89

print(f"Root Mean Squared Error (RMSE): {rmse:.2f}")

## Root Mean Squared Error (RMSE): 1693.07

print(f"Mean Absolute Error (MAE): {mae:.2f}")

## Mean Absolute Error (MAE): 1240.98

print(f"R-squared (R²): {r2:.2f}")

## R-squared (R²): 0.98

빅분기_실기_기출문제 5회

백승훈

2025-02-01

제 1 유형

제 2 유형

데이터 :