treesheep treesheep

1년 전 취업을 한 후에 열심히 일을 배우고, 해나가고 있는 청년입니다.돈 관리를 귀찮아 했던 저는 쌓이는 돈의 관리가 잘 되지 않았고, 많은 사람들이 투자를 한다는 사실을 알고 있어서 금융에 대해 학습하여 들어오는 돈의 관리를 잘 해보고자 하였습니다. 어느 날 동기가 투자에 대해 잘 모르면 우선 TIGER ETF에 대해 투자해보라고 권유했습니다.ETF, 펀드, 주식 등에 대한 개념이 잘 잡혀있지 않았지만, 운용사에 나의 돈을맡기고 일정 비율의 보수를 내면 펀드매니저들이 알아서 투자를 해주고, 나 또한 그 수익을 얻어갈 수 있는 비교적 안정적인 투자방법이라는 걸 알 수 있었습니다. 정보화 시대에 많은 알림들을 끄고 사는 나에게, 수시로 그래프를 보며 전략을 짜야한다는 것은 나에게 큰 부담이었던지라, 계속..

비인기 여행지의 태그 특성 점수를 활용하여 인기 여행지를 일대일 매핑하는 과정을 포스팅 한다. 현재 각 특성과 점수들이 정해지지 않았으므로, 모든 여행지에 '산뷰', '오션뷰', '드라이브' 태그 특성을 주고, 랜덤으로 0~10 사이의 점수를 부여하여 모델링을 진행하였다. 아래 과정을 살펴보자 우선 817개의 비인기 관광지 데이터를 불러온다 마찬가지로 222개의 인기 관광지 데이터를 불러온다 그 다음 정보를 잘 알아보기 위해 필요없는 컬럼들은 잠시 지우고 세 개의 특성 태그 컬럼과 각각 점수를 랜덤으로 부여한다. 비인기 여행지의 태그 특성 컬럼과 랜덤 점수 부여 인기 여행지에도 태그 특성 컬럼과 랜덤 점수 부여 이제 모델을 학습시키기 위한 데이터를 얻어올 것이다. 인기 여행지의 3개의 특성 태그 점수들을..

from sklearn.metrics import mean_absolute_error test_prediction = knr.predict(test_input) print(test_prediction) target_mean = np.mean(test_target) target_mean error = 1 - ((test_target - test_prediction)**2).sum() / ((test_target - target_mean)**2).sum() # 결정 계수 직접 계산해 봄 error​ from sklearn.model_selection import train_test_split train_input, test_input, train_target, test_target = train_test_s..

mean = np.mean(train_input, axis = 0) # 행을 따라 각 열의 통계값을 계산 (무게의 평균, 길이의 평균) std = np.std(train_input, axis = 0) # 무게의 표준편차, 길이의 표준편차 print(mean,std) output: [ 27.29722222 454.09722222] [ 9.98244253 323.29893931]​ fish_length = [25.4, 26.3, 26.5, 29.0, 29.0, 29.7, 29.7, 30.0, 30.0, 30.7, 31.0, 31.0, 31.5, 32.0, 32.0, 32.0, 33.0, 33.0, 33.5, 33.5, 34.0, 34.0, 34.5, 35.0, 35.0, 35.0, 35.0, 36.0, 36..

fish_length = [25.4, 26.3, 26.5, 29.0, 29.0, 29.7, 29.7, 30.0, 30.0, 30.7, 31.0, 31.0, 31.5, 32.0, 32.0, 32.0, 33.0, 33.0, 33.5, 33.5, 34.0, 34.0, 34.5, 35.0, 35.0, 35.0, 35.0, 36.0, 36.0, 37.0, 38.5, 38.5, 39.5, 41.0, 41.0, 9.8, 10.5, 10.6, 11.0, 11.2, 11.3, 11.8, 11.8, 12.0, 12.2, 12.4, 13.0, 14.3, 15.0] fish_weight = [242.0, 290.0, 340.0, 363.0, 430.0, 450.0, 500.0, 390.0, 450.0, 500.0, 475.0..

일반적으로 부모 엔티티와 자식 엔티티의 관게란, 부모 엔티티가 있고 그에 파생 되어 생겨나는 엔티티를 자식엔티티라고 칭합니다. 현 프로젝트에서 가입한 회원이 탈퇴한 경우 그 회원과 관련된 모든 엔티티를 삭제하는 기능을 구현하려고 합니다. 이때 영속성 전이에 의한 삭제와 vs 직접 삭제가 떠올랐는데, 쿼리 발생 개수를 기준으로 성능을 비교하여 더 나은 선택을 하는 과정을 포스팅하겠습니다. 먼저 영속성 전이에 의한 삭제 입니다. 위 테스트는 카테고리와 책 사이에서 진행하였습니다. (Member와 리뷰들 관계라고 생각하시면 됩니다.) 여기서 부모엔티티는 카테고리이고, 책은 자식엔티티입니다. (일대다 양방향 매핑) @Entity @Getter //부모엔티티 카테고리 public class Category ext..

현재 진행 중인 프로젝트에서 사용자의 구매 이력을 검색하는 쿼리를 작성해야 한다. 사용자의 구매 이력은 Library테이블에 저장이 되고 Library 클래스는 아래와 같이 생겼다. /** * 구메라는 행위에 대하여 책과 회원은 다대다 매핑 * 멤버 - 책 구매한 책들에 관한 매핑 클래스 */ @Entity @Getter public class Library extends BaseEntity { @Id @GeneratedValue(strategy = GenerationType.IDENTITY) @Column(name = "library_id") private Long id; @ManyToOne(fetch = FetchType.LAZY) @JoinColumn(name = "member_id") privat..

현재 진행 중인 프로젝트는 온라인 서점 프로젝트로서, 책에 대한 정보를 불러올 때, 책에 관한 리뷰들, 그리고 리뷰에 달린 댓글들, 그리고 그 리뷰를 작성한 작성자들까지 모두 불러와야 하는 상황에서 학습한 내용과 그에 대한 고찰을 적으려고 한다. 아래 테스트 코드를 통해 발생하는 쿼리를 확인 할건데.. 테스트 코드를 보자. @Test void when_ReviewCommentRegistered_then_verifyField() { /*--- 초기 데이터 저장 ---*/ initClass.initMemberData(); initClass.initBookAndAuthorData(); initClass.initOrderData(); Book book = initClass.getBook(1L); long ten..