아담은 하와가 준 선악과를 먹었다.
아담이 정령 죽을 줄 모르고 먹었을까
아담은 그 많은 동물들의 이름을 짓고 기억하는 아주 똑똑한 인류의 첫번째 사람이다.
한 사람의 이름을 짓는것도 무척이나 어렵다
내가 나온 군대 23사단 삼척의 등대교회 군목사님은 자기 딸의 이름을 3년 동안이나 생각하고 지었다고 하셨다.(이름 : 채령)
아담은 단번에 그 많은 동물들의 이름을 지었다(그리고 외웠다) 엄청난 통찰력과 지혜 있는 사람이었다.
그는 하나님이 정령죽으리라 한 말을 사실로 알았고 믿었을 것이다.
기억해보자 아담은 하나님께서 만드신 그 여자를 보고 내 살중의 살이요 뼈중의 뼈라고 했다 이 말은 진심이다.
아담은 하와를 자신중의 자신이라고 생각했고 정말 그렇게 생각했다.
그래서 정령 죽을 줄 알면서 그 열매를 같이 먹은 것이다.
'기독교' 카테고리의 다른 글
| 진동? 말씀? (0) | 2018.04.09 |
|---|---|
| DNA를 보자 (0) | 2018.04.09 |
| 겸손은 또한 자존감이다. (0) | 2018.04.02 |
docker couchbase
Tips2018. 2. 13. 01:36
윈도우용 docker 설치 그리고 실행docker run -d --name db -p 8091-8094:8091-8094 -p 11210:11210 couchbase
'Tips' 카테고리의 다른 글
| 남는 스마트 폰으로 주피터 노트북 서버를 만들어보자 (1) | 2019.03.01 |
|---|
한국인 신체데이터로 다양한 분석하고 시각화 해보기
R(알) 2017. 9. 23. 19:03
barplot( d[c(1:7),],names.arg=colnames(t(d)
주제 : 한국인 신체 데이터로 다양한 분석을 하고 시각화 해보자 !
엔트로피와 결정트리 그리기
궁금증1 . 남자와 여자를 구분할 때 가장 큰 영향을 미치는 속성 무엇일까?
install.packages('FSelector')
library(FSelector)
install.packages("doBy")
library(doBy)
k<- read.csv('kbody3.csv',header=T)
k<- na.omit(k)
normalize <- function(x) {
return((x - min(x)) / (max(x) - min(x)))
}
norm <- as.data.frame(lapply(k [,c(2:18)], normalize))
norm <- cbind(k [,c(1,19,20)], norm)
colnames(norm)
IG <- information.gain(gender~., norm[,-4]) #성별 컬럼을 뺀다.
a<- data.frame(IG)
install.packages("doBy")
library(doBy)
d<-orderBy(~-attr_importance,a)
barplot( d[c(1:7),],names.arg=colnames(t(d))[c(1:7)])
결정트리를 그려보자
tree1 <- rpart(gender~. , data= norm, control=rpart.control(minsplit=2) )
plot(tree1, compress = T , uniform = T , margin=0.1)
text(tree1, use.n = T , col = "blue")
궁금증2 . 나이에 가장 큰 영향을 미치는 컬럼이 키로 나왔다.
이상하게 여겨져 키와 나이로 plot그래프를 그리니
10대 이하 성장기인 연령의 키까지 포함되어 그래프가 아래와 같이 나오는것 같았다.
20세 이상의 사람들만 추려서 나이에 가장 영향을 받는 속성 다시 뽑아보자
e <- k[k$age >= 20 ,]
IG <- information.gain(age~., e)
library(doBy)
d<-orderBy(~-attr_importance,a)
barplot( d[c(1:7),],names.arg=colnames(t(d))[c(1:7)])
20대 이상만 걸러내도 키가 가장 큰 영향을 미친다.
plot으로 그려보면
나이가 어려질 수록 평균키가 증가하는 경향을 볼 수 있다.
IG <- information.gain(Basic_metabolism~., norm) #성별 컬럼을 뺀다.
a<- data.frame(IG)
install.packages("doBy")
library(doBy)
d<-orderBy(~-attr_importance,a)
barplot( d[c(1:7),],names.arg=colnames(t(d))[c(1:7)])
기초 대사량과 관련이 깊은 속성은 ?
각 속성들로 남자와 여자를 구분하는 방법은 다양한 알고리즘으로 시도해보자 !
신경망, svm, knn
신경망으로 !~
norm <- as.data.frame(norm)
quater3 <- sample(nrow(norm),round(0.75 * nrow(norm)))
k_train <- norm[quater3,]
nrow(k_train)
k_test <- norm[-quater3,]
nrow(k_test)
n <- colnames(k_train)
# energy_output ~ temperature + exhaust_vacuum + … 를 변수 f 에 집어넣기
f <- as.formula(paste("gender ~", paste(n[!n %in% "gender"], collapse = " + ")))
quater3 <- sample(nrow(norm),round(0.75 * nrow(norm)))
k_train <- norm[quater3,]
nrow(k_train)
k_test <- norm[-quater3,]
nrow(k_test)
model <- neuralnet(formula = f, data = k_train, hidden= c(3,3))
model_results <- compute(model , k_test[-1])
predicted <- model_results$net.result
cor[predicted,k_test$gender]
model_results <- compute(model , k_test[-1])
predicted <- model_results$net.result
plot(model)
cor(predicted,k_test$gender)
svm으로!
install.packages("kernlab")
library(kernlab)
ksvm <- ksvm(gender~ ., data = k_train, kernel = "rbfdot")
pred <- predict(ksvm , k_test)
agreement <- round(pred) == k_test $gender
table(agreement )
prop.table(table(agreement))
knn으로 ~
install.packages("class")
library(class)
pred <- knn(train = k_train, test = k_test, cl = k_train$gender, k=21)
library(gmodels)
CrossTable(x = k_test$gender, y = pred , prop.chisq=FALSE)
100% 분류!
'R(알) ' 카테고리의 다른 글
| R 8장. 연관규칙 (apriori 알고리즘) (0) | 2017.09.23 |
|---|---|
| R 7장 신경망과 서포트 벡터 머신(발표자료) (0) | 2017.09.23 |
| R 9장. k-means 알고리즘 (0) | 2017.09.09 |
| R 7장 신경망과 서포트 벡터 머신 (0) | 2017.09.09 |
| R 5장. 결정트리 (0) | 2017.09.08 |
