목록전체 글 (83)
따릉이
[지도] 대여소 클릭시 오버레이 가려지지 않도록 지도 auto panning
https://github.com/bjornharrtell/jsts GitHub - bjornharrtell/jsts: JavaScript Topology Suite JavaScript Topology Suite. Contribute to bjornharrtell/jsts development by creating an account on GitHub. github.com
1. 클러스터링 라이브러리 적용 결과https://github.com/KW-DDA/DDA-MAP/blob/main/MAP/ddareunge/maps/static/maps/js/StationCluster.jshttps://github.com/KW-DDA/DDA-MAP/blob/main/MAP/ddareunge/maps/static/maps/js/update_station.js 적용 전 (카카오맵api 내장 라이브러리 사용시 확대 축소 속도): 적용 후 (supercluster 라이브러리 사용시 확대 축소 속도): 2. 범위 설정시, 내 위치가 아닌 지도의 중심을 기준으로 대여소 필터링
[지도] 변경사항, 문제점(클러스터링 사용시 속도저하)
1. 대여소 마커, 장소검색 마커 클릭/마우스 오버 오버레이 변경 2. 값 없는 url param 표시 안되도록 변경 (insertUrlParam() -> updateUrlParam()) 3. 업데이트된 최신 대여소 정보가 있을때만, 서버에서 대여소 데이터를 제공한다. (API하루 호출 제한때문에 5분 간격으로 대여소 정보 갱신) 4. 오버레이를 마커별로 생성하지 않고, 전역변수로 1개만 사용 5. 대여소 정보가 업데이트 됐을 때, 마커를 다시 그리지 않고 데이터만 업데이트 마커 클러스터 사용 시, 클러스터하는 마커 개수가 많아서(약 2000개 이상) 지도를 움직이거나 확대축소를 할 때 속도저하가 심한다. 생각해볼 수 있는 해결방법: 1. 지도의 최소 레벨을 제한한다. (지도 레벨이 줄어들수록 클러스터하..
[머신러닝] 대여량값 이상치 제거 및 결과
- Outliers (이상치) 제거 방법1) 평균적인 분포의 범위를 벗어난 대여량 값을 가진 행 제거 방법2) IQR방식을 이용 IQR 방식을 이용한 이상치 데이터(Outlier) 제거 (tistory.com) IQR 방식을 이용한 이상치 데이터(Outlier) 제거 * 해당 포스팅은 파이썬 머신러닝 완벽 가이드(권철민, 2019) 교재를 참고하여 공부하며 작성한 글입니다. 이상치 데이터(Outlier)는 모델의 성능을 떨어뜨리는 불필요한 요소이기 때문에 꼭 제거 hwi-doc.tistory.com - 결과 자치구 MAE learning_rate gamma max_depth n_estimators 종로구 0.915 0.02 1.042428962302375 3 62 중구 0.908 0.025 0.61954..
[머신러닝] 모델 학습 데이터셋 다르게 적용해보기
모델의 파라미터를 바꾸어 학습해본 결과, mae의 변화가 미세하여 모델의 학습 데이터셋을 아래의 4가지로 다르게 적용한 후 모델 학습을 진행해보았다. 1. 2019년 따릉이 대여량 데이터 2. 2020년 따릉이 대여량 데이터 3. 2020년 따릉이 대여량 데이터 + 일별 확진자 발생 수 (자치구) 4. 2020년 따릉이 대여량 데이터 + 일별 확진자 발생 수 (서울시 전체) 1. 2019년 따릉이 대여량 데이터 - mae : 1.1194824219238666 2. 2020년 따릉이 대여량 데이터 - mae : 0.9144775435765843 3. 2020년 따릉이 대여량 데이터 + 일별 확진자 발생 수 (자치구) - mae : 0.9476497684282542 4. 2020년 따릉이 대여량 데이터 + ..
[날씨 API] postgresql DB를 이용해서 날씨데이터 관리
1. postgresql 설치 및 데이터베이스 생성:https://yuda.dev/282 pgadmin 검색 > 실행 - 설치 시 저.." data-og-host="yuda.dev" data-og-source-url="https://yuda.dev/282" data-og-url="https://yuda.dev/282" data-og-image="https://blog.kakaocdn.net/dna/eFx4S/hyKWH8klxn/AAAAAAAAAAAAAAAAAAAAANHflBZlkUtvLzGYy3bObs68-GDAMMi85CfcA8PRcZAe/img.png?credential=yqXZFxpELC7KVnFOS48ylbz2pIh7yKj8&expires=1788188399&allow_ip=&allow_referer=&signature=dCL4wfc%2BuCOt2BU7Tgd82thWK24%3D
[머신러닝] 도봉, 노원, 은평, 서대문, 마포, 양원, 강서, 구로
노원구 xgboost best param : {'gamma': 0.2664246100759918, 'max_depth': 2, 'n_estimators': 136} xgboost best accuracy : 0.1068985156132553 mae : 1.0751979221840957 은평구 xgboost best param : {'gamma': 0.48920217028523183, 'max_depth': 3, 'n_estimators': 111} xgboost best accuracy : 0.4603476218996992 mae : 0.7917622902169565 서대문구 xgboost best param : {'gamma': 0.4818286277034806, 'max_depth': 2, 'n_es..
[머신러닝] 자치구별 모델 (피쳐중요도/MAE/Parameter)
종로구 MAE 0.953 Parameter gamma 1.0236979477002457 max_depth 3 n_estimators 223 중구 MAE 0.892 Parameter gamma 0.39910614055613 max_depth 2 n_estimators 106 용산구 MAE 0.937 Parameter gamma 0.15626320063139582 max_depth6 6 n_estimators 105 성동구 MAE 1.207 Parameter gamma 0.34283339481350095 max_depth 2 n_estimators 110 광진구 MAE 1.307 Parameter gamma 0.37243658294348714 max_depth 2 n_estimators 166 동대문구 MA..