mtcars는 R의 내장데이터 중 하나이다.

1-1. 데이터 구조 확인

str(mtcars)

1-2. 데이터 변수 설명

help(mtcars)

데이터 변수 설명은 help 창에서 확인할 수 있다.

2. 연비(mpg)의 히스토그램 작성

#패키지 설치
install.packages('dplyr')
install.packages('ggplot2')

library(dplyr)
library(ggplot2)

  mtcars %>%
    #그래프 형태 생성
    ggplot(aes(mpg)) + 
    #히스토그램 그리기 위해 도수분포표를 그림
    #color 테두리 fill 색채우기 
    geom_histogram(binwidth = 2, color='black', fill='red',alpha=0.3) + 
    #virtical line 세로 선 hline 가로선 
    #intercept 절편
    geom_vline(aes(xintercept= mean(mpg)),linetype='dashed') + 
    labs(title = "Histogram of mpg", x='mpg(Miles/(US) gallon',y='frequency') 

분포가 왼/오 이질적인 것을 보아 두개의 그룹이 나뉜 다는 것을 예측해볼 수 있음

3. 기어(am) 방식에 따른 연비(mpg)의 평균

  #데이터 객체 생성
  cars <- mtcars 
  #ifelse(조건,T,F) 
  cars$am <- ifelse(cars$am == 0, '자동','수동') 

  cars %>%
    group_by(am) %>%
    summarise(연비평균 = mean(mpg)) %>% #mpg 평균 계산
    ggplot(aes(am,연비평균)) + #그래프 축 지정 (데이터 삽입 안된 상태)
    geom_col(fill = c("#FFCC00","#FF6600")) + #막대그래프 함수: geom_col fill == c 색깔 지정해서 채우기
    labs(title = "기어종류에 따른 연비",x="기어종류",y="연비평균") #label 재지정

수동 기어의 연비 평균이 자동 기어의 연비 평균보다 높다는 것을 알 수 있음

R은 파이썬과 마찬가지로 대표적인 데이터분석 언어입니다. 아래 예제들을 직접 작성해보면서 R 기초 문법을 익히는데 도움이 되었으면 좋겠습니다.

0. R 설치 및 기본 화면

1. R project 다운 https://cran.r-project.org/mirrors.html Korea 미러사이트 중 아무 사이트나 들어가서 Windows / Mac 등 환경에 맞는 파일을 다운 받으면 됩니다.

2. R studio 다운 https://www.rstudio.com/products/rstudio/download/ Windows / Mac 등 환경에 맞는 파일을 다운 받으면 됩니다. 설치과정에서 기본값 변경없이 전부 다음을 클릭 후 설치

3. R studio 작업화면

1) 스크립트: R 코드를 작성하는 화면 (ctrl+enter로 코드 실행) 2) 콘솔: 실행한 코드 결과가 나타나는 화면 3) 환경창: 객체 확인 가능 4) 파일경로, plot 확인

1. 작업경로 확인 및 설정

getwd()
setwd('작업경로')

• getwd(): 현재 작업 경로를 확인하는 함수
• setwd('작업경로'): 작업 경로를 새로 지정해 주는 함수

2. 데이터 유형

scores <- c(70,80,90,100,65)

• Scalars 스칼라: 하나의 원소를 가지는 벡터 여기서 70, 80 각 점수가 하나의 스칼라
• Vector 벡터: 같은 자료형의 원소가 모인 형태 scores는 수치형 자료가 모인 벡터
• Matrix 행렬: 차원을 갖는 벡터 벡터가 모이면 행렬이 됨
• List 리스트: 서로 다른 자료형이 모인 벡터
• Dataframe 데이터프레임: 열과 형이 존재하는 테이블 구조

3. 데이터 입력

students <- c('Jane','Tommy','Anna','Alex')

info <- data.frame(name = students,
                   age = c(18,17,19,18),
                   points = c(100,85,70,90))

• c(): 스칼라를 하나로 묶어주어(combine) 벡터를 생성하는 생성자 함수
• print(): 객체를 출력해주는 함수

4. 범주형 변수 기술 통계

4-1. 빈도표

data <- c('good','bad','soso','soso','bad','good','good','bad','good')
table(data) #빈도표로 생성
factor(data) #범주형 변수를 집단 구분 요인으로 변경

4-2. 막대그래프

barplot(table(data))

4-3. 파이차트

pie(table(data), col = c('blue','red','black'))

5. 연속형 변수 기술 통계

5-1. 통계

(1) 벡터

mean(info$points)
sd(info$points)
range(info$points)
summary(info$points)

install.packages('psych') #패키지 설치
library(psych)
describe(info, IQR=T) #사분위수범위(IQR) 요청

• 데이터$데이터변수명
• mean(): 평균
• sd(): 표준편차
• range(): 범위
• summary(): 기술통계 요약
• install.packages(): 패키지 설치
• library(): 사용할 패키지 입력
• describe(): psych 패키지에 포함되어있는 자세한 기술통계 요약 함수 (2) 데이터프레임

  apply(cars, 2, mean)
  apply(cars, 2, range)

  cars는 R의 내장데이터 중 하나이다.
• R 내장 데이터: cars, iris 등 data() 함수로 전체 데이터셋 목록 확인 가능

5-2. 히스토그램

도수분포표를 그래프로 나타낸 것. ※ 도수분포표: 표본의 다양한 산출분포를 보여주는 표

• 히스토그램은 주로 연속형 변수 분석에 사용되고, 막대그래프는 주로 범주형 변수 분석에 사용된다.

  hist(cars$speed)

  

5-3. 상자그림

데이터의 중심과 산포 확인 가능한 데이터 분포를 나타낸 것.

boxplot(cars$dist)

상자그림을 통해 극단값이 존재함을 알수있다.

5-4. 산점도

두개의 연속형 변수의 관계를 보여주는 것.

plot(cars$speed, cars$dist)

model <- lm(dist ~ speed, cars)
plot(cars$speed, cars$dist)
abline(model)

속도(speed)가 증가함에 따라 dist(거리)가 증가하는 관계를 가지는 것을 알 수 있다.

5-5. 선 도표

시간 경과에 따른 연속형 변수의 변동을 보여주는 것.

plot(cars$speed, cars$dist, type='l')

https://github.com/sosa-p/CPS-detector/blob/main/decision%20tree.ipynb 깃허브에서 전체 코드 확인 가능

1.설계 목적

Decision Tree를 분류 모델로 훈련 세트를 학습시켜서 테스트 세트에서 malware 여부를 판단하고, 잘 학습이 되었는지 정확도를 확인한다.

2.데이터 세트

데이터 세트: top_1000_pe_imports.csv

본 데이터 세트는 malware와 goodware를 다양한 컬럼 속성으로 분석, 분류해 놓은 데이터 세트이다. 마지막 컬럼인 ‘malware’가 0이면 Goodware이고, 1이면 Malware이다.

3.분석 방법

3.1 Decision Tree

나무 구조로 도표화하여 분류와 예측을 수행하는 분석방법이다. Decision Tree는 최종적인 결정에 도달하기 위해서 이진분류에 대한 질문을 이어나가면서 학습한다. 기본적인 학습 방향은 데이터를 나누는 과정을 반복하며 각 노드가 테스트 하나씩을 가진 이진 트리를 만들어 계층적으로 영역을 분할하여 데이터를 학습시킨다.

3.2 분석 개요

1) 데이터 세트를 읽어와서 47580 row와 1002 column을 확인 2) 각 파일 별 다른 값을 갖는 hash값과 목표 노드로 사용할 malware 컬럼을 drop 3) 전체 데이터 세트 중 훈련세트는 70%, 테스트 세트는 30%로 나눔 4) Decision Tree 모델을 적용하여 파라미터 값을 설정 5) 교차검증 적용 6) 예측값에 대한 정확도 계산 7) 학습한 모델 시각화 8) 학습에 사용한 칼럼에 대해 변수 중요도 계산

3.3 파라미터

x_train, x_test, y_train, y_test = train_test_split(x, y, test_size = 0.3, random_state = 101) 

• test_size: 테스트 세트의 크기를 0.3으로 설정하여, 훈련 세트는 전체 데이터 세트의 70%, 테스트 세트는 전체 데이터 세트의 30%로 분리하였다.
• random_state: 알고리즘은 실행마다 값이 변하기 때문에 random_state를 설정하여 값을 고정한다. 유사 난수 생성기에 넣을 난수 초기값을 임의로 101으로 설정하여 random_state 매개변수로 전달한다.

  from sklearn.tree import DecisionTreeClassifier
  dtree = DecisionTreeClassifier(criterion = 'entropy', max_depth = 5, min_samples_split = 20)

• criterion: 노드의 분리기준으로 ‘gini’와 ‘entropy’를 사용한다. 임의로 entropy를 선택한다.
• max_depth: decision tree에서 모델의 복잡도를 조절하는 매개변수로 tree가 완전히 만들어지기 전에 멈추게 하는 사전 가지치기 변수이다. 보통 사전 가지치기 방법인 max_depth, max_leaf_nodes, min_samples_leaf에서 하나만 지정해도 과적합을 막을 수 있다. 이때 max_depth는 tree 모형의 최대 깊이를 의미하여 값이 커질수록 깊어져 과적합이 쉽게 일어난다. 따라서 max_depth를 적절히 5로 설정한다.
• min_samples_split: 앞의 파라미터와 마찬가지로 과적합을 방지하기 위해 사용하는 파라미터로 노드를 분할하기 위한 최소한의 샘플 데이터 수를 가리킨다. Default는 2로, 작게 설정할수록 분할 노드가 많아져 과적합 가능성이 증가하기 때문에 적절하게 20으로 설정하였다.

  3.4 교차검증

from sklearn.model_selection import cross_val_score score=cross_val_score(dtree, x_train, y_train, cv=5) print('cross validation score : {:.3f}'.format(score.mean()))

일정한 하나의 테스트 셋으로 계속해서 평가를 진행하거나 하나의 훈련셋으로 학습을 진행하면 과적합이 쉽게 일어나기 때문에 K-Fold 교차검증을 적용한다. fold를 5개로 나누어서 다섯 개의 fold를 다르게 적용하여 테스트 셋으로 사용하여 모델에 대해 교차검증을 수행한다. 

# 4. 탐지 결과
## 4.1 Malware 여부
```python
i = 1
mal =0
good =0
for each in predicties : #예측값이
    if each == 1: #1이라면 malware
        mal +=1
        print("NO.%d is Malware." %(i))
    else: #0이라면 goodware
        good +=1
        print("NO.%d is Goodware." %(i))
    i+=1

예측값이 1이면 malware이고, 예측값이 1이 아니면 즉 0이면 goodware로 출력하도록 코드를 작성하였다. 각각 malware인지 goodware인지 출력한다. 테스트 세트의 전체 14275개 중에서 13978개가 malware로 분류되었고, 296개가 goodware로 분류되었다.

4.2 모델 정확도

• Accuracy: 모델이 예측한 것에서 실제로 정답을 맞힌 비율로, 본 학습 모델에서 accuracy는 0.974이 나왔다.
• Recall: 실제 true인 것 중에서 모델이 true라고 예측한 것의 비율로, 본 학습 모델에서 recall은 0.996이 나왔다.
• Precision: 모델이 true라고 예측한 것 중에서 실제 true를 예측한 것의 비율로, 본 학습 모델에서 precision은 0.977이 나왔다.
• F1 score: Precision과 Recall의 조화평균으로, 본 학습 모델에서 F1 score은 0.987이 나왔다.

즉, 머신러닝 분류 모델의 성능 평가 지표가 전부 0.9 이상이 나왔으므로 본 학습 모델은 비교적 정확한 확률로 테스트 세트를 분류하였다고 볼 수 있다.

4.3 시각화

모델이 어떤 방식으로 분류되었는지 가지치기 과정을 시각화하여 살펴볼 수 있다.

4.4 변수중요도

Decision Tree의 학습이 마무리되면, 각 종속 변수 분류에 대해서 각각의 독립 변수가 어느 정도 기여를 했는지 나타내는 변수 중요도를 확인할 수 있다. 본 학습 모델에서는 1000개의 컬럼 중에 22개의 컬럼만 데이터 세트를 학습하는데 유의미하게 작용했다는 것을 알 수 있다.

5. 평가 및 고찰

Decision Tree는 지도 학습의 모델 중 하나로, 다양한 의사결정 경로와 결과를 나타내는 트리구조를 사용하여 이해하기 쉽고, 과정이 명백하다. 하지만, Decision Tree는 학습 데이터에 대한 최적의 트리를 찾기 힘들고, 새로운 데이터에 대한 일반화 성능이 좋지 않아 과적합되기 쉽다. 본 학습 모델에서는 과적합을 방지하기 위해서 다양한 파라미터 값을 적용하고, 교차 검증을 적용하였고, 최적의 학습모델을 구축하기 위해 변수들의 값을 지속적으로 변경하며 테스트하였다. 따라서, 1에 가까운 정확도를 갖는 높은 성능의 학습 모델을 구축할 수 있었다.

최근 라이트 모드와 다크 모드를 지원하는 웹 브라우저가 증가하고 있다. 자바 스크립트를 이용해서 간단하게 구현해보자.

<input type="button" value="dark mode" onclick="
 document.querySelector('body').style.backgroundColor = 'black'; 
 document.querySelector('body').style.color = 'white';
">
<input type="button" value="light mode" onclick="                   
 document.querySelector('body').style.backgroundColor = 'white';
 document.querySelector('body').style.color = 'black';
">

샘플 사진과 같이 각각 light mode와 dark mode로 웹 브라우저를 변환할 수 있다.

https://github.com/sosa-p/javascript_basic/blob/master/modeSetting.html 깃허브에서 테스트 코드(full)를 확인할 수 있습니다.

querySelector()

선택자(class, id 등)을 반환한다.

<body>
  <script> document.querySelector('body') </script>
</body>

body라는 태그를 직접 입력하여 body 태그를 반환한다.

• class: querySelector(".class명")
• id: querySelector("#id명")

• header: 사이트 제목, 로고, 검색 창 등 위치
• content(sectrion,article): 웹 문서의 내용이 있는 부분
• side bar: 본문 이외의 내용을 나타내는 곳
• footer: 저작권 정보와 제작자 정보 표시

  <!DOCTYPE html>
  <html lang="ko">
  <head>
    <meta charset="utf-8">
    <title> 사이트 이름 </title>
  </head>
  <body>
    <header>
      <h1> 주제 </h1>
      <nav>
        ...
      </nav>
    </header>
    <section>
      <article>
        <h2> 소주제 </h2>
        ...
      </article>
    </section>
    <footer>
      <p> Copyright 저작권 </p>
    </footer>
  </body>
  </html>

  1. header

  머리말, 제목 등을 지정하는 태그이다. 사이트 전체의 제목을 지정할 수 도 있고, <article>의 제목을 지정할 수도 있다.

  <header> 
  <h1> 사이트 제목 </h1>
  </header>

  2. nav

  내비게이션 태그로 같은 사이트 안의 문서나 다른 사이트의 문서로 연결하는 링크를 지정한다. 다른 태그 내부에 포함시킬 수도 있고, 독립적으로 사용할 수도 있다.

  3. iframe

  외부 문서를 삽입하는 태그이다.
• width: 인라인 프레임의 너비로, 픽셀 값으로 표시
• height: 인라인 프레임의 높이로, 픽셀 값으로 표시
• name: 인라인 프레임의 이름
• seamless: 프레임의 대부를 업애서 본문의 일부처럼 보이게 한다. 속성 값없이 seamless라고 작성. 크롬과 사파리에서만 지원.
• scr: 프레임에 표시할 문서의 주소 지정

  <iframe src="삽입할 문서 주소" 속성="속성값"> </iframe>

  4. section

  콘텐츠 영역을 나타내는 태그이다. <section> 태그 안에 다른 <section> 태그를 넣을 수 도 있고, <article> 태그를 넣을 수도 있다. 이외에도 <header>나 <footer> 등 다양한 태그를 넣어 공간을 구분할 수 있다.

  <section> 
  <section> ... </section>
  </section>
  

<!doctype html>
<html>
  <head>
    <meta charset="utf-8">
    <title> HTML 기본 구조 </title>
  </head>
  <body>
    <img scr="이미지.확장자">
    <p> 원하는 이미지를 넣으세요 </p>
  </body>
</html>

1-1. !doctype

문서 유형(document type)을 지정해주는 태그로 웹 문서의 시작을 알리는 html 태그보다 먼저 사용한다.

현재 문서가 HTML5 언어로 작성되었다는 것을 알려준다.

1-2. html

실제 문서 정보와 내용의 시작과 끝을 알려주는 태그이다.

• lang: 언어 지정하는 속성

  <html lang="ko"> #문서에서 사용할 언어를 한국어로 지정
  ...
  </html>

  언어 표기를 제대로 하지 않는다면, 웹 페이지에서 검색 기능을 제대로 이용할 수 없을 것이다.

  1-3. head

  웹 브라우저 화면에는 보이지 않지만, 웹 브라우저가 알아야할 정보들은 head 부분에 입력한다.
• <title>: 웹 브라우저의 제목 표시줄에 표시되는 정보

  <title> 문서 제목 </title>

• <meta>: 문자 인코딩 방법을 지정

  <meta charset="utf-8"> #화면에 한글 표시

  1-4. body

  실제 브라우저에 표시된 내용을 입력한다.
• <h1>~<h6>: 제목 텍스트로, h1이 가장 크고 h6이 가장 작다.
• <p>: 텍스트 앞뒤로 빈 줄을 만들어 텍스트 단락 생성
• <br>: 줄 바꾸는 태그로, 닫는 태그 없음
• <b>: 텍스트 진하게 표시
• <i>: 텍스트 이탤릭체로 표시
• <img>: 이미지 추가
• <a>: 웹 문서나 외부 사이트 연결

  <body>
  <h1> 제목 예시 </h1>
  <h2> 제목 예시 </h2>
  <h3> 제목 예시 </h3>
  <h4> 제목 예시 </h4>
  <h5> 제목 예시 </h5>
  <h6> 제목 예시 </h6>
  <p> 텍스트 단락을 만들어 봅시다 </p>
  <p> <b>텍스트</b> 단락을 <br>
    <i>만들어</i> 봅시다</p>
  <img scr="file_name.확장자">
  <a href="사이트주소"> 사이트 </a>
  

# 2. 실습

Notepad++에서 html 코드를 작성하였고, xampp의 Apache 모듈을 이용하여 코드를 확인하였습니다. 

```html
<!doctype html> 
<html lang="ko">
    <head>
        <meta charset="utf-8">
        <title> 원어스 - 붉은 실 </title>
    </head>
    <body>
        <h1> 눈을 감고 있어 아무도 없는 길 위에서 </h1>
        <h2> 헤매이고 있어 불어오는 바람마저도 </h2>
        <h3> 혹시나 들릴까 이름을 불러봐 </h3>
        <h4> 기억을 걷다 보면 </h4>
        <h5> 알게 될 거야 다 운명일 테니 </h5>
        <h6> 실을 따라갈게 미로 속을 헤매 </h6>
        <p> 조금 시간이 걸려도 널 잡을게 </p>
        <p> <b> 걱정하지 마 </b> 너와 나 <br>
        <i> 인연은 닿을 거야 </i> </p>
        <img src="red.png">
        <p><a href="https://vibe.naver.com/search?query=%EC%9B%90%EC%96%B4%EC%8A%A4%20%EB%B6%89%EC%9D%80%EC%8B%A4"> 붉은 실 ♬ </a></p>
    </body>
</html>

_요즘 즐겨 듣는 노래 가사로 html 실습을 해 보며 태그와 속성이 어떻게 적용되는지 확인하였습니다. _

※ 참고문헌

DO it! HTML5 + CSS3 웹 표준의 정석, 고경희 저, 이지스퍼블리싱

Error:Apache shutdown unexpectedly. This may be due to a blocked port, missing dependencies, improper prvileges, a crash, or a shutdown by another method. ...

설치 초기, 혹은 어느 날 갑자기 포트가 막혀버렸다는 오류가 뜨는 경우가 있다. 이는 XAMPP의 Apache에서 기본 셋팅으로 사용하는 80번 포트의 사용이 겹칠 때 발생한다.

이 오류는 생각보다 간단히 해결할 수 있다.

우선 관리자 권한으로 xampp control panel을 실행한다. 관리자 권한으로 실행하지 않으면 config 접근이 거부되어 정상적으로 오류를 해결할 수 없다.

httpd.conf

Apache config > Apache(httpd.conf) txt 파일이 열리면 빨간 박스 부분을 찾아서 80을 8012로 바꿔준 후 저장한다.

httpd-ssl.conf

Apache config > Apache(httpd-ssl.conf) txt 파일이 열리면 빨간 박스 부분을 찾아서 443을 8013으로 바꿔준다.

config

config > Service and Port Settings > Main Port: 80 8012, SSL Port: 443 8013 Save 버튼을 클릭하여 저장해준다.

오류 해결

XAMPP control panel을 종료 후 다시 시작하면, 정상적으로 Apache 서버가 구동되는 모습을 확인할 수 있다.