단일표본 t-검정 목적은 그룹의 평균이 기준 값과 차이가 있는지를 확인 엑셀과 Python 을 이용하여서 예제를 통하여 검정을 해보자 성인여성의키 데이터를 이용하여서 아래의 가설을 검증한다. 귀무가설(H0) : 성인여성의 평균키는 163Cm 이다 대립가설(H1) : 성인여성의 평균키는 163Cm 가아니다. 01.엑셀을 이용한 검증 위의 p-value 값이 0.05 보다 작으므로 귀무가설은 기각이 된다. 그리고 통계량의 값을 보았을때 평균값은 163Cm 보다 작다는 것을 알수 있다. Python으로 검증 했을때 결과를 보자 02.Python을 이용한 검증 Python의 결과를 보면 엑셀과 다르지는 않다. 위의 예제는 현재 패스트캠퍼스에서 데이터전처리 과정 강의내용이다. 엑셀 부분은 강의내용에 포함되지 않았..

결제서버에서 결제승인 요청에 대한 input, output, service 메소드 정의 및 코드 생성을 위한 Maven Module 이다. 01.pom.xml spring-msa-with-grpc com.roopy 1.0-SNAPSHOT 4.0.0 proto 9.0.4 9.0.4 9.0.4 io.grpc grpc-protobuf 1.32.1 io.grpc grpc-stub 1.32.1 org.apache.tomcat annotations-api 6.0.53 provided kr.motd.maven os-maven-plugin 1.6.2 org.apache.maven.plugins maven-compiler-plugin 1.8 1.8 org.xolstice.maven.plugins protobuf-mave..

성능 테스트를 위해서 Apache Benchmark 프로그램을 통하여 동시요청과 동시접속자수를 설정하여서 부하테스트를 진행하였다. 테스트 프로그램 사용자로부터 임의의 숫자를 입력받은 후 받은 숫자 만큼 제곱을 구한 후 반환 하는 프로그램을 작성하여서 테스트 진행 예를 들어 사용자가 100 이라는 파라미터를 전달하면 1부터 100까지 루프를 돌면서 서버를 호출하여서 계산결과를 반환 받은 후에 Map 저장하여서 최종적으로 반환한다. 테스트 결과 하드웨어 사양 프로세서 Intel(R) Core(TM) i5-6200U CPU @ 2.30GHz 2.40 GHz RAM 8.00GB REST 테스트 파라미터 총접속자수 : 300 동시접속자수 : 100 입력파라미터 : 500 ■ REST 테스트 결과 동시요청수를 30..

이 프로젝트를 시작하는 이유는 기존의 Micrso Service 또는 외부 API 연동은 RESTful 방식을 많이 사용해 왔는데 얼마전 udemy 에서 gRPC강의를 들은 후 프로젝트에 적용하기 위해 시작하게 되었다. 강의를 들은 다음에 의문점은 실제 DB에 연동하였을때는 어떻한 성능을 보일지 궁금 하여서 이 부분에 대한 성능 검증을 할려고 한다. 서비스아키텍처 아키텍처1 관련 Maven Module - order_app - payment-rest-server 아키텍처2 관련 Maven Module - order_app - payment-grpc-server 아키텍처3 관련 Maven Module - order_app - payment-load-balance - payment-grpc-client - ..

앞에서 생성 된 모델 파일을 이용하여서 Rest API를 통하여서 사용자가 입력한 데이터를 받은 후 어떤 종류의 꽃인지 반환 해주는 API작성 코드작성 app.py 작성 from flask_restful import reqparse from flask import Flask, jsonify import numpy as np import pickle as p import json app = Flask(__name__) @app.route('/predict/', methods=['POST']) def predict(): parser = reqparse.RequestParser() parser.add_argument('petal_length') parser.add_argument('petal_width') p..

KNeighborsClassifier¶ In [32]: import warnings # 불필요한 경고 출력을 방지합니다. warnings.filterwarnings('ignore') 1.데이터셋 만들기¶ step 1: 데이터셋 불러오기¶ In [6]: from sklearn.datasets import load_iris from IPython.core.display import display, HTML display(HTML("")) In [7]: # iris 데이터셋을 불러옵니다. iris = load_iris() DESCR: 데이터셋의 정보를 보여줍니다. data: feature data. feature_names: feature data의 컬럼 이름 target: label data ..