티스토리

2^7

검색하기

블로그 홈

2^7

sh9406.tistory.com/m

#AI #데이터분석 #인공지능 #AI기술 #머신러닝 #딥러닝

구독자: 0

방명록 방문하기

주요 글 목록

분류 - 서포트 벡터 머신(SVM) 서포트 벡터 머신(SVM)이란? 서포트 벡터 머신(Support Vector Machine, SVM)은 지도 학습(Supervised Learning) 알고리즘 중 하나로, 주로 분류(Classification) 문제를 해결하는 데 사용됨. 데이터를 학습하여 가장 최적의 결정 경계(Decision Boundary) 를 찾고, 이를 기반으로 새로운 데이터가 어느 범주에 속하는지 예측하는 방식1. SVM의 핵심 개념SVM이 데이터를 분류하는 과정에서 가장 중요한 개념은 초평면(Hyperplane) 과 서포트 벡터(Support Vector) 초평면(Hyperplane)데이터를 두 개의 클래스로 나누는 결정 경계2차원 공간에서는 선(line), 3차원에서는 평면(plane), 그리고 고차원에서는 초평면(hyp.. 공감수 0 댓글수 0 2025. 2. 20.
분류 - K-최근접 이웃(K-Nearest Neighbors) K-최근접 이웃(K-Nearest Neighbors, KNN)새로운 데이터가 들어왔을 때, 기존 데이터 중 가장 가까운 K개의 이웃(데이터 포인트)을 참고하여 이 데이터를 분류하거나 값을 예측하는 알고리즘 (가까운 기준은 거리(distance)를 기준으로 함) K-최근접 이웃 주요 특징지도 학습(Supervised Learning): KNN은 입력 데이터(특징)와 정답(레이블)을 기반으로 학습거리 기반 알고리즘: 데이터 간의 유사성을 거리로 계산하여 가까운 데이터와 유사하다고 판단비모수적 알고리즘(Non-parametric): KNN은 특정한 데이터 분포 가정 없이 작동 K-최근접 이웃 작동 원리 1) 거리 계산 : 새로운 데이터와 기존 데이터 간의 거리를 계산함일반적으로 사용하는 거리 계산 방법은 유클.. 공감수 1 댓글수 1 2024. 12. 18.
분류 - 의사결정나무(Decision Tree) 의사결정 나무(Decision Tree)데이터를 트리 형태로 분류하거나 예측하는 데 사용하는 지도 학습(Supervised Learning) 알고리즘.나무 모양처럼 분기(branch)가 갈라지며 각 분기점에서 질문을 던지고, 그 질문에 따라 데이터를 분류하거나 예측하는 방식으로 동작함 의사결정 나무 특징구조가 직관적: 트리 구조를 통해 사람이 쉽게 이해할 수 있음다양한 데이터 처리 가능: 연속형 및 범주형 데이터를 모두 처리할 수 있음해석 용이성: 결과를 시각적으로 표현하여 의사결정을 설명하기 쉬움재귀적 분할: 데이터를 반복적으로 분할하여 트리 구조를 완성. 의사결정나무의 구조1) 루트 노드 (Root Node)의사결정나무의 시작점으로, 데이터를 처음 분류하기 위한 기준이 설정됨ex) "온도가 30도 이.. 공감수 1 댓글수 2 2024. 12. 16.
분류 - 로지스틱 회귀(Logistic Regression) 로지스틱 회귀(Logistic Regression) 분류 문제(Classification Problem)를 해결하기 위해 자주 사용되는 알고리즘입니다. 이름에 "회귀"라는 단어가 포함되어 있지만, 실제로는 분류(Classification) 작업을 수행함 1. 로지스틱 회귀란? 로지스틱 회귀는 특정 데이터가 둘 중 하나의 카테고리or 다수의 카테고리에 속할 확률을 예측하는 알고리즘.하나의 카테고리 (ex. "스팸 메일" vs "정상 메일") 다수의 카테고리 (ex. "고양이", "개", "새") 선형 회귀(Linear Regression)와 로지스틱 함수(Logistic Function, 시그모이드 함수)를 결합하여 결과값을 0과 1 사이의 확률로 변환 시그모이드 함수는 결과값을 S자 형태의 곡선으로 .. 공감수 1 댓글수 2 2024. 11. 28.
분류(Classification) 분류(Classification) 데이터를 미리 정의된 카테고리(클래스) 중 하나로 분류하는 작업분류 문제의 유형1. 이진 분류(Binary Classification) 두 개의 클래스(예: 참/거짓)로 나누는 문제2. 다중 클래스 분류(Multi-class Classification)세 개 이상의 클래스로 나누는 문제 (ex.손으로 쓴 0~9 사이의 숫자 분류)3. 다중 레이블 분류(Multi-label Classification)한 데이터가 여러 클래스에 속할 수 있는 문제 (ex. 사진에서 여러 개의 사물을 인식, 커피와 강아지가 있는 사진) 주요 분류 알고리즘1. 로지스틱 회귀(Logistic Regression) 선형 모델을 기반으로 하며, 결과를 확률로 변환하여 이진 또는 다중 클래스 분류에 .. 공감수 0 댓글수 0 2024. 11. 26.
회귀분석-Elastic Net Elastic Net 라쏘 회귀(Lasso Regression)와 릿지 회귀(Ridge Regression)의 장점을 결합한 회귀 분석 방법으로 데이터를 분석하고 예측하는 데 유용하며, 다수의 상관관계가 높은 변수나 고차원 데이터에서 특히 효과적 1. Elastic Net이란? 라쏘 회귀와 릿지 회귀를 결합한 모델로, L1 규제와 L2 규제를 동시에 적용L1 규제(Lasso): 불필요한 변수를 제거하고 중요한 변수만 선택하는 역할L2 규제(Ridge): 모든 변수의 계수를 작게 만들어 과적합을 방지하는 역할다수의 상관관계가 높은 변수가 있거나 불필요한 변수가 많고, 중요한 변수만 선택해야 할 때, 데이터 차원이 높아 릿지 회귀와 라쏘 회귀가 제한적인 경우 사용하면 적합함MSE(Mean Squared .. 공감수 1 댓글수 1 2024. 11. 20.
회귀분석-라쏘 회귀(Lasso Regression) 라쏘 회귀(Lasso Regression)회귀 분석 방법 중 하나로, 데이터를 분석하고 예측하는 데 매우 유용함, 특히 모델을 간단하게 만들고 중요한 특징(변수)만 선택할 수 있도록 도와주는 특징이 있음 1. 라쏘 회귀 기본 개념'Least Absolute Shrinkage and Selection Operator' 의 줄임말로 모델의 복잡성을 줄이면서도 성능을 유지할 수 있는 방법Shrinkage(축소): 회귀 계수를 줄이는 과정Selection(선택): 중요한 변수를 자동으로 선택라쏘 회귀는 일반 선형 회귀에서 손실 함수에 L1 규제를 추가한 형태- MSE(Mean Squared Error): 일반적인 회귀 분석의 오차(실제값과 예측값의 차이)- λ: 규제 강도를 조절하는 하이퍼파라미터 (값이 크면.. 공감수 0 댓글수 0 2024. 11. 18.
회귀분석-릿지 회귀(Ridge Regression) 릿지 회귀(Ridge Regression) 선형 회귀의 한 형태로, 정규화(Regularization) 기법을 통해 모델의 과적합(Overfitting)을 방지하는 데 사용함, 릿지 회귀는 회귀 계수의 크기를 제한하여, 복잡한 모델이 되는 것을 막고 모델의 일반화 성능을 높임 1. 릿지 회귀 기본 개념L2 정규화를 사용하는 회귀 모델로, 회귀 계수의 크기를 제곱해 패널티를 부과함이를 통해 계수가 지나치게 커지는 것을 막아 과적합을 방지릿지 회귀의 손실함수는 일반적인 선형 회귀에서 사용하는 평균 제곱 오차(Mean Squared Error, MSE) 손실 함수에 규제 항을 추가함λ 값이 클수록 계수에 더 큰 패널티를 부과하여 모델의 복잡성을 낮추고, 작을수록 패널티가 줄어들어 일반 선형 회귀와 비슷해짐 2.. 공감수 0 댓글수 0 2024. 10. 30.
회귀분석-다항 회귀(Polynomial Regression) 다항 회귀(Polynomial Regression) 선형 회귀의 확장으로, 독립 변수와 종속 변수 사이의 비선형 관계를 설명하는 데 사용되며 선형 회귀와 달리 다항 회귀는 데이터를 직선이 아닌 다항식 곡선으로 모델링하여 더 복잡한 패턴을 포착할 수 있음 1. 다항 회귀 기본 개념다항 회귀는 독립 변수를 다항식 형태로 변환하여 모델을 학습하는 방법종속 변수 y와 독립 변수 x사이의 관계가 비선형적일 때, 이를 x의 여러 차수로 변환하여 아래와 같은 다항식으로 모델링 할 수 있음n의 값이 커질수록 곡선의 유연성이 높아져 복잡한 데이터 패턴을 잘 따라갈 수 있음y: 종속 변수 (예측하고자 하는 값) xi: 독립 변수 (입력 값) βi: 회귀 계수 (모델이 학습하는 가중치) ϵ: 오차 항 (모델이 설명하지 .. 공감수 0 댓글수 0 2024. 10. 28.
회귀분석-선형 회귀(Linear Regression) 선형 회귀(Linear Regression) 독립 변수(입력 값)와 종속 변수(출력 값) 사이의 선형 관계를 기반으로 예측 모델을 생성하는 알고리즘으로 데이터를 직선으로 설명하며, 예측 대상이 연속적인 값일 때 주로 사용함 1. 선형 회귀의 기본 개념선형 회귀를 이용하는 목적은 입력 변수와 출력 변수 사이의 선형 관계를 찾는 것주어진 데이터를 통해 회귀 계수를 학습하고, 이를 바탕으로 새로운 데이터를 예측 y: 종속 변수 (예측하고자 하는 값)xi: 독립 변수 (입력 값)βi: 회귀 계수 (모델이 학습하는 가중치)ϵ: 오차 항 (모델이 설명하지 못하는 부분) 2. 선형 회귀의 유형 변수의 수에 따라 단순 선형 회귀(Simple Linear Regression)와 다중 선형 회귀(Multiple Li.. 공감수 0 댓글수 0 2024. 10. 18.
회귀분석(Regression Analysis) 회귀분석(Regression Analysis) 독립 변수(입력 값)와 종속 변수(출력 값) 사이의 관계를 모델링하여, 주어진 입력에 대한 연속적인 출력 값을 예측하는 머신러닝 알고리즘 주요 회귀분석 알고리즘1. 선형 회귀 (Linear Regression) 가장 간단한 형태의 회귀 알고리즘으로 선형 회귀는 입력 변수와 출력 변수 간의 선형 관계(즉, 직선)를 찾는 방식으로 작동함선형 회귀는 주어진 데이터를 기반으로 가장 적합한 직선을 그리기 위해 최소 제곱법(Ordinary Least Squares)을 사용해 가중치를 조정함 [ y는 예측 값, x는 입력 값, β는 가중치(계수) ]특징단점모델이 단순하고 해석이 쉬움선형 관계가 강한 데이터에 적합비선형 데이터에서는 성능이 낮음이상치(outlier)에 민.. 공감수 0 댓글수 1 2024. 10. 16.
비지도학습(Unsupervised Learning) 비지도학습(Supervised Learning) 정답(레이블)이 없는 데이터를 기반으로, 숨겨진 패턴이나 데이터의 구조를 학습하는 방법데이터에 대한 명확한 정답이 제공되지 않기 때문에, 비지도학습의 목적은 주어진 데이터에서 유사한 데이터끼리 그룹을 형성하거나, 데이터의 차원을 축소하는 것과 같은 작업을 주로 수행 비지도학습의 주요 특징 레이블이 없는 데이터비지도학습은 지도학습과 달리 입력 데이터에 대한 명확한 출력값(레이블)이 없음데이터 패턴 발견비지도학습은 데이터 내에서 의미 있는 그룹이나 구조를 찾는 것이 주요 목표데이터의 분포나 유사성 등을 기반으로 그룹이나 구조를 발견탐색적 데이터 분석비지도학습은 새로운 데이터를 탐색하고, 패턴을 찾거나, 데이터의 주요 특징을 추출하는 데 유용비지도학습 주요 알.. 공감수 5 댓글수 2 2024. 10. 1.
지도학습(Supervised Learning) 지도학습(Supervised Learning) 머신러닝의 한 종류로, 입력 데이터(특징)와 정답(레이블)이 주어진 상태에서 학습을 진행하는 방식으로 목표는 입력 데이터와 정답 간의 관계를 학습하여 새로운 입력에 대해 정확한 예측을 하는 것지도학습 과정데이터 수집지도학습에서는 각 데이터에 레이블이 포함된 데이터를 사용.각 입력 데이터에 대응하는 정답이 필요모델 학습주어진 입력 데이터와 정답(레이블)을 바탕으로 모델이 학습을 진행.학습 과정에서는 주어진 데이터를 바탕으로 패턴을 찾고, 입력 데이터와 출력 데이터 간의 관계를 최적화하는 모델을 생성모델 평가학습이 완료된 모델을 평가하기 위해, 데이터의 일부를 테스트 데이터로 사용하여 모델의 예측 성능을 측정일반적으로 정확도(Accuracy), 정밀도(Preci.. 공감수 1 댓글수 1 2024. 9. 29.
Machine Learning 학습이란? (Learning)"어떤 작업에 대해 특정 기준으로 측정한 성능이 새로운 경험으로 인해 향상되었다면, 그 프로그램은 어떤 작업에 대해서 특정 기준의 관점에서 새로운 경험으로 부터 "배웠다" 라고 할 수 있다.학습 이후 새로운 데이터에 대하여 학습된 내용으로 처리하는 것기계학습이란? (Machine Learning)기계가 코드로 명시되지 않은 동작을 데이터로부터 학습하여 실행 할 수 있도록 하는 알고리즘데이터로부터 일관된 패턴 또는 새로운 지식을 찾아내 학습하는 방법학습된 알고리즘(Model)을 적용하여 정해진 업무를 처리Machine Learning의 개념 머신러닝의 핵심 개념은 모델. 모델은 데이터를 입력받아 일정한 출력을 생성하는 함수로, 학습된 데이터로부터 패턴을 찾아 새로운 데이터를 처.. 공감수 1 댓글수 1 2024. 9. 28.
연관 규칙(Association Rules) Association Rules 데이터 사이의 연관된 규칙을 찾는 방법 규칙(Rule) - "If 조건 then 결과" 형식 연관 규칙 - 특정 사건 발생 시 함께 자주 발생하는 다른 사건의 규칙(Rule) 지지도(Support) 특정 품목 집합이 얼마나 자주 등장하는지 확인 특정 품목 집합을 포함하는 거래의 비율로 계산 전체 거래에 대한 A와 B가 동시에 발생할 확률 Support = A와B가동시에포함된거래수/전체거래수 신뢰도(Confidence) 상품A가 존재할 때 상품B가 나타나는 빈도 상품A가 포함된 거래 중 상품B를 포함한 거래 비율 조건(LHS) 발생 시 결과(RHS)가 동시에 일어날 확률 A가 구매될 때 B가 구매되는 경우의 조건부 확률 Confidence = A(조건)와B(결과)가동시에포함.. 공감수 0 댓글수 0 2022. 6. 9.
K-평균 군집(K-means Clustering) 2 군집분석 성능평가 1. Import Packages and Lead Dataset import matplotlib.pyplot as plt import numpy as np import pandas as pd from sklearn.datasets import load_iris iris = load_iris() DF = pd.DataFrame(data = iris.data, columns = ['sepal_length', 'sepal_width', 'petal_length', 'petal_width']) DF.head(3) 2. K-means Modeling n_clusters : 군집 개수 지정 init : 초기 중심 설정 방식(기본값) max_iter : 최대 반복 횟수 from sklearn.clu.. 공감수 0 댓글수 0 2022. 6. 9.
K-평균 군집(K-means Clustering) 1 K-means Clustering 입력값에 대한 출력값이 정해져 있지 않은 비지도학습 분석법 의사 중심점(Pseudo Center)을 각 군집 내 평균점으로 이동하며 반복 데이터 간 유사성(Similarity)을 계산하여 유사성이 높은 개체의 군집을 생성 여러 개의 군집(Cluster)를 생성하여 입력값이 속하는 그룹을 지정 동일한 그룹에 속하는 데이터는 유사성이 높고, 그룹 간에는 유사성이 낮음 K-means Clustering(K-평균 군집) 입력된 데이터를 K개의 군집(Cluster)로 묶는 분석방법 각 군집 내의 데이터들 간의 거리를 최소화 각 군집들 간의 거리를 최대화 각각의 데이터는 오직 한 개의 군집에만 포함됨 최초 K개의 의사 중심점(Pseudo Center)를 지정 분류된 데이터들의 평균.. 공감수 0 댓글수 0 2022. 6. 9.
Random Forest Random Forest 덜 정확한 분류모델 여러 개를 모아서 더 정확한 분류모델을 만들 수 있을까? 앙상블(Ensemble) : 여러가지 모델을 사용하여 정확도를 개선하는 방법 랜덤 포레스트 : 의사결정나무의 앙상블(Ensemble) 다수의 의사결정나무들의 결과로부터 모델을 생성 모델 생성에 다양성(Diversity)과 임의성(Random)을 부여 모델 정확도를 높이고 과적합 발생 가능성을 낮춤 올바른 예측은 강화하고, 잘못된 예측은 상쇄하는 경향 존재 다양성(Diversity) - 배깅(Bagging) Bagging = Bootstrap + Aggregating 주어진 Data를 사용하여 여러 개의 서로 다른 Train Data를 생성 생성된 Train Data 마다 별도의 의사결정 나무 모델 생성 .. 공감수 0 댓글수 0 2022. 6. 8.
의사결정 나무(Decision Tree) 의사결정 나무(Decision Tree) 가능한 대답이 두 가지인 이진 질의(Binary Question)의 분류 규칙을 바탕으로 최상위 루트 노드(Root Node)의 질의 결과에 따라 가지(Branch)를 타고 이동하며 최종적으로 분류 또는 예측값을 나타내는 리프(Leaf)까지 도달 범주형 자료 : Classification Tree(분류 나무) 수치형 자료 : Regression Tree(예측 나무) Root Node : 최상위 노드 Splitting : 하위 노드로 분리되는 것 Branch : 노드들의 연결(의사결정나무의 일부분/Sub-Tree) Decision Node : 2개의 하위 노드로 분리되는 노드 Parent Node : 분리가 발생하는 노드 Leaf(Terminal Node) : 더 .. 공감수 0 댓글수 0 2022. 6. 8.
로지스틱 회귀(Logistic Regression) 3 Cross Entropy Error 1. Cross Entropy 서로 다른 사건의 확률을 곱하여 Entropy를 계산 y : 실제값, y_hat : 예측값(can be incorrect) y를 Cross-Entropy의 가중치로 적용 Binary Cross-Entropy Error = –y * log(y_hat) – (1 - y) * log(1 - y_hat) Categorical Cross-Entropy Error = –y * log(y_hat) y = 1 vs. y_hat = 0.0001 import numpy as np y = 1 y_hat = 1 -y * np.log(y_hat) -0.0 y = 1 vs. y_hat = 0.0001 y = 1 y_hat = 0.0001 -y * np.log(y_.. 공감수 0 댓글수 0 2022. 6. 7.
로지스틱 회귀(Logistic Regression) 2 Binary Classification 1. 탐색적 데이터 분석 1-1. 빈도분석 DF.default.value_counts() No 9667 Yes 333 Name: default, dtype: int64 1-2. 분포 시각화 import matplotlib.pyplot as plt plt.figure(figsize = (9, 6)) plt.boxplot([DF[DF.default == 'No'].balance, DF[DF.default == 'Yes'].balance], labels = ['No', 'Yes']) plt.show() 2. Data Preprocessing 2-1. Standardization X = DF[['balance']] y = DF['default'] from sklearn.p.. 공감수 0 댓글수 0 2022. 6. 7.
로지스틱 회귀(Logistic Regression) 1 Logistic Regression Classification(범주예측) 모델 Output(y)의 수치예측이 아닌 어떤 범주에 속하는지에 대한 예측(확률)을 모델링 Regression(수치예측) 모델에 Sigmoid( ) 필터(Activation Function)를 적용하여 구현 일반적으로 분류 기준을 0.5로 지정(변경가능) 0.5보다 크면 1, 0.5보다 작으면 0으로 분류 분류 결과에 대한 추가적인 신뢰도 검증이 필요(Model Validation) 혼돈 행렬(Confusion Matrix) 정확도(Accuracy), 정밀도(Precision), 재현율(Recall) Model Validation 이진 혼돈 행렬(Binary Confusion Matrix) Positive(양성), Negative(.. 공감수 0 댓글수 0 2022. 6. 7.
회귀분석(Regression Analysis) 4 다중회귀분석(Multivariate Regression) import pandas as pd url = 'https://raw.githubusercontent.com/rusita-ai/pyData/master/Insurance.csv' DF = pd.read_csv(url) DF.info() 1. 탐색적 데이터 분석 import matplotlib.pyplot as plt import seaborn as sns 1-1. 전체 의료비 분포 plt.figure(figsize = (9, 6)) sns.distplot(DF.expenses, hist = True, kde = True) plt.show() plt.figure(figsize = (9, 6)) sns.boxplot(y = 'expenses', dat.. 공감수 0 댓글수 0 2022. 6. 7.
회귀분석(Regression Analysis) 3 Encoding 문자형 변수를 숫자형 변수로 인코딩 Integer Encoding from sklearn.preprocessing import LabelEncoder 문자형 변수를 숫자형 변수로 변경하여 변수 연산 범위를 확대 ‘europe’ : 0, ‘korea’ : 1, ‘usa’ : 2 One-Hot Encoding from sklearn.preprocessing import OneHotEncoder 하나의 값만 True(1)이고 나머지 값은 False(0)인 인코딩 1. Data Set import seaborn as sns DF = sns.load_dataset('mpg') DF.head() type(DF.origin[0]) str DF.origin.value_counts() usa 249 ja.. 공감수 0 댓글수 1 2022. 6. 7.
회귀분석(Regression Analysis) 2 1.Simple Linear Regression 1-1. 분석 변수 선택 DF1 = DF[['mpg', 'cylinders', 'displacement', 'weight']] DF1.head(3) 1-2. 상관관계 그래프 # matplotlib import matplotlib.pyplot as plt plt.figure(figsize = (9, 6)) plt.scatter(x = DF1.weight, y = DF1.mpg, s = 30) plt.show() # seaborn fig = plt.figure(figsize = (9, 6)) sns.regplot(x = 'weight', y = 'mpg', data = DF1, fit_reg = False) plt.show() # pairplot sns.pai.. 공감수 0 댓글수 0 2022. 6. 7.
회귀분석(Regression Analysis) 1 회귀분석(Regression Analysis) Scaling 범위(Scale)가 다른 변수의 범위(Scale)를 비슷하게 맞추기 위한 목적 연속형 변수가 다양한 범위(Scale)로 존재할 때 제곱 오차 계산 시 왜곡 발생 ex) X1은 1에서 10 사이 스케일, X2는 1000에서 100만 사이 스케일 스케일이 더 큰 변수에 맞추어서 가중치를 최적화하는 문제 발생 import seaborn as sns DF = sns.load_dataset('mpg') 자동차 연비(mpg) 데이터 mpg : miles per gallon 1 mile : 1.6 Km 1 gallon : 3.78 Liter DF.info() DF.head() X = DF[['weight']] y = DF['mpg'] Without Scal.. 공감수 0 댓글수 1 2022. 6. 7.
Model Validation 1.Model Capacity import pandas as pd import matplotlib.pyplot as plt import seaborn as sns url = 'https://raw.githubusercontent.com/rusita-ai/pyData/master/Electric.csv' Elec = pd.read_csv(url) Elec.info() Elec.head() #산점도(surface_area vs. electricity) sns.scatterplot(Elec['surface_area'], Elec['electricity']) plt.show() 1-1. 1차 모델 시각화 sns.regplot(x = 'surface_area', y = 'electricity', data = El.. 공감수 0 댓글수 0 2022. 6. 6.
경사 하강법(Gradient Descent) 경사하강법 1.Machine( ) 정의 import numpy as np def Machine(x, w, b): y_hat = (w * x) + b return y_hat x = np.array([1, 3, 5, 7, 9]) w = 2 b = 1 #x, w, b 객체 지정 Machine(x, w, b) array([ 3, 7, 11, 15, 19]) 2.Gradient( ) 정의 def Gradient(x, y, w, b): y_hat = Machine(x, w, b) dw = np.mean((y - y_hat) * (-2 * x)) db = np.mean((y - y_hat) * (-2)) return dw, db y = np.array([2, 4, 6, 8, 10]) dw, db = Gradient(.. 공감수 0 댓글수 0 2022. 6. 6.

728x90

문의안내

티스토리
로그인
고객센터

티스토리는 카카오에서 사랑을 담아 만듭니다.