1. 쥬피터 노트북 실행파일 생성 파이썬 코딩을 할 때 쥬피터 노트북을 자주 활용하고 있는데 매번 실행하는데 있어서 몇가지 과정을 거치는 불편이 있다. 아나콘다 프롬프트를 실행하고 가상환경을 활성한 다음 작업폴더로 이동한 후 비로서 쥬피터노트북을 실행한다. 이처럼 복잡한 과정을 다소 편하게 하기 위해 한번에 쥬피터노트북에 접근할 수 있는 실행파일을 생성하는 과정을 설명하고자 한다. 일단 내컴퓨터 > 로컬디스크(c:) > 사용자 > 사용자이름 >anaconda3 > scripts 폴더로 이동한 다음 activate.bat 파일을 수정한다. 아니면 아나콘다 설치폴더를 내컴퓨터 > 로컬디스크(c:) > anaconda3 > scripts 폴더로 했다면 이 폴더로 이동해서 똑같은 작업을 수행하면 된다. acti..
먼저, 위성사진을 딥러닝 모델에 적합한 형태로 변환하기 위해서는 필요한 라이브러리들을 설치해야 합니다. 주로 사용되는 라이브러리들은 다음과 같습니다. pip install numpy pip install opencv-python pip install Pillow pip install tensorflow 이제 위성사진을 딥러닝 모델에 적합한 형태로 변환하는 파이썬 코드를 작성해보겠습니다. import os import numpy as np import cv2 from PIL import Image import tensorflow as tf def load_images(input_folder, width, height): images = [] file_list = os.listdir(input_folder)..
위성사진을 딥러닝에 맞게 데이터를 생성하려면 다음과 같은 과정을 거칩니다: 1. 데이터 수집: 위성사진 데이터를 수집해야 합니다. 공개된 데이터셋을 사용하거나, 공공 기관이나 위성 이미지 제공 업체로부터 이미지를 구할 수 있습니다. 이 때, 고해상도 이미지를 사용하면 더욱 정확한 결과를 얻을 수 있습니다. 2. 데이터 전처리: 수집된 위성사진들을 딥러닝 모델에 적합한 형태로 변환해야 합니다. 일반적으로 이미지를 일정한 크기로 리사이징하고, 픽셀 값을 0과 1 사이로 정규화합니다. 필요에 따라 이미지를 회전, 반전 등의 데이터 증강 기법을 적용하여 데이터의 다양성을 높일 수 있습니다. 3. 라벨링: 지도 학습을 위해 위성사진에 대한 정답 라벨을 생성해야 합니다. 라벨링 작업은 수동으로 진행되거나, 전문가의..
이번 글은 이전 글(2023.03.15 - [머신러닝 & 딥러닝] - R기반 래스터 다중공선성 확인하기)에 이어서 래스터 자료를 이용해서 다중공선성을 확인하는 방법 중 생물종 위치나 산불, 산사태, 범죄 등 특정 사건이 발생한 위치에 해당하는 독립변수 값만을 이용해서 한다. 또한 상관계수가 아니 분산팽창계수(VIF)를 이용한다. 일단 작업폴더를 설정하고 필요한 라이브러리를 설치하고 불러온다 # 작업폴더 설정 setwd("c:/R_work") getwd() # 라이브러리 불러오기 library(dplyr) library(raster) 남색이마잠자리 위치에서 생물기후변수 19개 사이의 상호관계를 확인하여 다중공선성을 검토한다. 이를 위해서 남색이마잠자리 위치관련 shp파일을 불러오고 생물기후변수 19개 변수..
1. 다중공선성(multicollinearity) 다중공선성(multicollinearity)란 독립 변수의 일부가 다른 독립 변수의 조합으로 통계학이 회귀분석에 사용되는 경우에, 독립 변수들이 서로 독립이 아니라 상호 상관관계가 강한 경우에 발생하는 문제이다. 독립변수들간에 정확한 선형관계가 존재하는 완전공선성의 경우와 독립변수들간에 높은 선형관계가 존재하는 다중공선성으로 구분하기도 한다. 다중공선성은 회귀분석의 전제 가정인 독립변수들은 상호 독립이라는 회귀분석의 전제 가정을 위배하고 또한 독립 변수간의 상관성이 높아 회귀모델의 과적합을 가져오는 문제를 발생할 수 있다. 그래서 상관성이 높은 변수들 중 하나를 제거함으로써 이러한 문제를 해결한다. 이 글에서 래스터 자료를 이용해서 다중공선성을 확인하는 ..