티스토리

데릭의 노트

검색하기

블로그 홈

데릭의 노트

derrick.tistory.com/m

끊임없이 공부하고 잘 노는 기록 노트

구독자: 1

방명록 방문하기

728x90

반응형

주요 글 목록

(Regression) Regularized Model-ElasticNet 기초 정리 ElasticNet은 앞서 학습한 Ridge와 LASSO의 장점들을 골고루 섞은 알고리즘이라고 보면 된다.아래 내용들을 통해서 조금 더 자세하게 공부해보자. # 함께 보면 좋은 게시물2024.07.02 - [Machine Learning/Regression Problem] - (Regression) Ridge regression 쉬운 풀이! (Regularized Model) (Regression) Ridge regression 쉬운 풀이! (Regularized Model)Regularized Model- Ridge regression 설명과 쉬운 풀이 1. Ridge RegressionRidge Regression은 'β²에 Penalty Term을 부여하는 방식'이다.- Penalty Term.. 공감수 0 댓글수 0 2024. 8. 13.
(Regression) LASSO Code 실습 및 해설 (Regularized Model) # 학습 목적 1) LASSO → Regularized Linear Model을 활용하여 Overfitting을 방지 → Hyperparameter lamba를 튜닝할 때, for loop 뿐만 아니라 GridsearchCV를 통해 돌출 2) Regularized Linear Models의 경우, X's Scaling을 필수적으로 진행 ※ LASSO는 L1 Norm으로 절대값을 가지고 β값에 λ(penalty term)을 줌으로써 Feature Selection까지 가능! → 불필요한 변수는 0이 되기 때문에 불필요한 β는 제거된다. → Ridge에서는 0에 수렴 # Process 1) Define X's & Y 2) Split Train & Valid dataset 3) Modeling 4).. 공감수 0 댓글수 0 2024. 7. 7.
(Regression) LASSO 기초 정리 (Ridge와 차이점은?) 기본적으로 앞서 학습한 Ridge와 큰 차이는 없지만, Penalty Term에 대해서 제곱으로 받을 것인지 절대값으로 받을 건지에 따라 차이가 난다. LASSO 란?Ridge와 어떻게 다른가? 1. Penalty Term을 활용한 Regularized Model LASSO1) LASSO(라쏘) 란? - LASSO는 'Least Absolute Shrinkage and Selection Operator'의 약자로, 절대값을 씌워서 'β'값을 줄인다 (with Selection)는 의미를 가지고 있다.- |β| = L₁ - norm = L₁ Regularization에 Penalty Term을 부여하는 방식 → Ridge의 경우에는 'β²'이고 L₂ Norm (=L₂ Regularization) → .. 공감수 0 댓글수 0 2024. 7. 4.
(Regression) Ridge Code 실습 및 예제 (Regularized Model) # 학습 목적1. Linear Regression - 단순 Linear Regression을 활용하여 변수의 중요도 및 방향성을 알아봄 - 매우 심플한 모델이기 때문에 사이즈가 큰 데이터에 적합하지 않음 → 하지만, 설명력(해석력)이 큰 장점이 있음2. Ridge Regression - Regularized Linear Model을 활용하여 Overfitting을 방지함 → Ridge Regression은 'L2 norm'을 사용해서 selection은 안되지만, β의 값을 계속 낮출 수 있다. - Hyperparameter lamba를 튜닝할 때 for loop 뿐만 아니라 GridsearchCV를 통해 돌출 → CV : Cross Validation의 약자로 'K-fold'를 지정하여 데이터로 나누.. 공감수 0 댓글수 1 2024. 7. 3.
(Regression) Ridge regression 쉬운 풀이! (Regularized Model) Regularized Model- Ridge regression 설명과 쉬운 풀이 1. Ridge RegressionRidge Regression은 'β²에 Penalty Term을 부여하는 방식'이다.- Penalty Term을 추가한 'Regularized Model의 경우 Feature 간 Scaling이 필수'- β에 제곱을 붙이는 이유는 부호가 (-)인 경우도 있기 때문에 지난 게시물에 Simple/Multi-linear regression 할때 어떤 변수가 제일 중요한지 ranking을 수행할 수 있다고 학습했다. 이때 가장 중요한 것은 'Scaling'. 위의 수식에서 'λ'는 regularization parameter이자 penalty 개념다시 짚고 넘어가면,1) 만약 x1(10),.. 공감수 0 댓글수 0 2024. 7. 2.
(Regression) Feature selection을 보완한 기법, 'Penalty Term'이란? 기존의 Feature Selection의 한계점을 보완한 Penalty Term은 무엇이고 어떻게 사용하나? # 함께 보면 학습에 도움되는 게시물 (feature selection 기법) 2024.04.07 - [Machine Learning/Regression Problem] - (Regression) Overfitting 방지하는 Feature Selection 기법의 종류 정리 (Regression) Overfitting 방지하는 Feature Selection 기법의 종류 정리 Feature Selection을 왜 해야 하는지 어떤 종류들과 어떻게 사용하면 되는지 학습해보자 # 함께 보면 좋은 게시물 (모델 평가 및 지표) 2024.04.05 - [Machine Learning/Regression.. 공감수 0 댓글수 0 2024. 4. 10.
(Regression) Overfitting 방지하는 Feature Selection 기법의 종류 정리 Feature Selection을 왜 해야 하는지 어떤 종류들과 어떻게 사용하면 되는지 학습해보자 # 함께 보면 좋은 게시물 (모델 평가 및 지표) 2024.04.05 - [Machine Learning/Regression Problem] - (Regression) Model 평가 및 지표 해석하는 방법! - 성능지표 총 정리 (Regression) Model 평가 및 지표 해석하는 방법! - 성능지표 총 정리 모델의 성능이 얼마나 잘 나왔는지 확인하고 위한 Model 평가와 지표들에 대해서 학습해보자 (지난 게시물 참고) # 지난 게시물 (β(계수) 추정법 & p-value란?) 2024.04.05 - [Machine Learning/Regression Problem] - derrick.tistory... 공감수 0 댓글수 0 2024. 4. 7.
(Regression) Model 평가 및 지표 해석하는 방법! - 성능지표 총 정리 모델의 성능이 얼마나 잘 나왔는지 확인하고 위한 Model 평가와 지표들에 대해서 학습해보자 (지난 게시물 참고) # 지난 게시물 (β(계수) 추정법 & p-value란?) 2024.04.05 - [Machine Learning/Regression Problem] - (Regression) 모델의 에러를 가장 낮출 수 있는 'β(계수) 추정법' p-value란? (Regression) 모델의 에러를 가장 낮출 수 있는 'β(계수) 추정법' p-value란? 모델의 에러(Error) 수식('E(Y) = β(0) +β(1)X')를 바탕으로 가장 낮은 에러를 취하기 위한 β(계수)의 값은 무엇인지 추정하는 법에 대해 학습해보자 모델의 Error를 가장 낮추기 위한 'β (계수) 추정법' derrick.tist.. 공감수 0 댓글수 0 2024. 4. 5.
(Regression) 모델의 에러를 가장 낮출 수 있는 'β(계수) 추정법' p-value란? 모델의 에러(Error) 수식('E(Y) = β(0) +β(1)X')를 바탕으로 가장 낮은 에러를 취하기 위한 β(계수)의 값은 무엇인지 추정하는 법에 대해 학습해보자 모델의 Error를 가장 낮추기 위한 'β (계수) 추정법' 1. Mathematical Expression 1) Simple & Multi-Linear Regression 위의 수식처럼 참값(Y)에 불가피하게 붙는 Error(ε)를 가장 낮출 수 있는 추정값(E(Y), y^) β값을 찾아내는 것이 목표이다. 위의 수식과 같이 Error(ε)는 참값과 추정값(E(y))의 차이로 볼 수 있다. 'β0'은 y절편으로 x가 0일때의 값이고, 'β1'의 값은 추정한 모델의 기울기이다. → Multi-linear regression의 경우, 독립 .. 공감수 0 댓글수 0 2024. 4. 5.
(Regression) 쉽게 이해하는 Loss Function - Error, Variance, Bias 관계는? 현업 문제에서 접목시킬 수 있는 머신러닝 알고리즘 중, 가장 기본이 되는 것은 'Regression'. 기초적인 Loss function부터 Regularized Linear Model까지 학습을 해보자. Regression 알고리즘에서의 Loss Function이란? 1. Error of Model Loss function은 모델의 성능을 측정하거나 학습할 때 모델이 얼마만큼 잘 학습할 수 있는지 기준(척도)이다. # 좋은 알고리즘(Algorithm)의 기준 : 예상하고 있는 expected output의 퀄리티가 높게 나오는 경우와 에러도 낮은 경우에 해당된다. → 여기서의 에러(Error)는 loss function으로 정의될 수 있다. 1) 학습할 수 있는 데이터셋이 있고 2) 이 데이터셋을 알고.. 공감수 0 댓글수 0 2024. 4. 5.
왜 데이터 분석가도 Cloud를 알아야 할까? on-premise란? Cloud, 데이터 분석가도 꼭 알아야 하는걸까? 1. On-premise On-premise는 회사 내에 IDC에 존재하는 플랫폼을 의미한다. - Legacy system을 Cloud로 전환하는 것은 많은 비용과 Risk를 수반 - 여전히 많은 회사에서 On-premise에서 서비스를 운영중 → 그럼에도 불구하고 대부분의 회사에서 Cloud 도입을 검토하고 있거나 PoC 수행중 - Cloud 환경에서 분석이 가능한 분석가와 Local에서만 분석 가능한 분석가? → Cloud를 몰라도 분석은 할 수 있지만, Cloud를 아는 분석가는 더욱 경쟁력을 확보할 수 있다. 그래서 Cloud 환경에서의 분석도 해보는 것이 굉장히 중요하다. 2. MLOps 그럼 MLOps 관점에서 본다면? - 초기 ML 프로세스와.. 공감수 0 댓글수 0 2024. 4. 2.
요즘 사람들은 다 쓴다는 Public Cloud란? 초간단 쉽게 이해하자 Data Loading from Cloud - Public Cloud - 1. Cloud - Cloud란? 데이터를 인터넷과 연결된 중앙컴퓨터에 저장하여 인터넷에 접속하기만 하면 언제든지 서비스를 이용할 수 있음을 의미하는 개념이다. - Cloud를 이용하면 작업한 컴퓨터에서만 데이터를 불러올 수 있는 것이 아니라 마치 여러 장소에서 동일한 구름을 관찰할 수 있듯이 어디서나 필요한 서비스를 활용할 수 있다. 2022년에는 대기업 신규 소프트웨어 투자의 20% 이상이 'Cloud First' → 'Cloud Only' 전략 → 많은 서비스를 클라우드로 관리한다 → CSP(Cloud Service Provider), AWS, 마이크로소프트, 구글 등이 보안, 전기 공급, 서버 냉각 문제 등의 모든 것을 관리.. 공감수 0 댓글수 0 2024. 4. 2.
(파이썬) 쉽게 이해하고 써먹는 matplotlib로 시각화하기 Github에서 데이터를 불러와서 다양한 상황에 대해 matplotlib를 어떻게 활용할 수 있는지 학습해보자 # 다룰 데이터 리스트 1) 인구에 대한 정보를 시각화 → 인구밀집도 분석(scatter, encircle) 2) 자동차 연비, 실린더 갯수, 배기량 등의 상관관계 → 배기량에 따른 고속도로 연비 변화량 (histogram) → 각 자동차 feature 간 상관관계 분석 (heatmap) → 자동차 모델별 차량 주행거리 분석 → 실린더 갯수에 따른 도심 연비 시각화 → 차급에 따른 도심 연비 비교 → 자동차의 종류별 비율 → 자동차 회사별 시장 점유율 파이썬에서 데이터 분석을 할 때 중요한 시각화 과정! matplotlib를 활용하여 직접 실습해보자 1. 인구 데이터 시각화 & 분석 1) Imp.. 공감수 0 댓글수 0 2024. 4. 2.
(파이썬) DataHandling 기초 & 실습(2) - 데이터 슬라이싱, 필터링 데이터 다루는 실습(1)에 이어서 데이터를 불러와서 슬라이싱과 필터링을 통해 실제로 어떻게 활용될 수 있는지 학습해보자 # Data handling 기초 & 실습(1) 첨부 2024.03.29 - [Machine Learning/Basic of Python (Colab)] - (sklearn) DataHandling 기초 & 실습 - 결측치 처리 (sklearn) DataHandling 기초 & 실습 - 결측치 처리 # 결측치 처리 - 일반적인 처리 방법 - sklearn을 이용한 처리 방법 - pandas를 이용한 처리 방법 파이썬 기본 함수와 특성을 이용해서 데이터를 다루는 실습을 해보자 1. Import & DataFrame 생성 결측치를 derrick.tistory.com # 실습 파일 첨부 # .. 공감수 0 댓글수 0 2024. 4. 1.
(sklearn) DataHandling 기초 & 실습 - 결측치 처리 # 결측치 처리 - 일반적인 처리 방법 - sklearn을 이용한 처리 방법 - pandas를 이용한 처리 방법 파이썬 기본 함수와 특성을 이용해서 데이터를 다루는 실습을 해보자 1. Import & DataFrame 생성 결측치를 처리하는 다양한 방법에 대해 공부해보자 # 필요한 패키지 import import numpy as np import pandas as pd from sklearn.impute import SimpleImputer, KNNImputer, MissingIndicator import warnings warnings.filterwarnings('ignore') import warnings warnings.filterwarnings('ignore') : warning을 'ignore'.. 공감수 0 댓글수 1 2024. 3. 29.
충주호캠핑월드(4호) - 충주호 근처 글램핑하기 좋은 곳! 가족 방문 추천! 겨울 지나가기 전에 글램핑 한번 갈려고 알아본 곳들 중 눈에 들어온 '충주호'. 주변 지인들도 가보고 힐링되고 너무 좋다는 평이 많아서 알아보다가 '충주호캠핑월드'를 다녀오고 평균 이상으로 괜찮아서 공유드립니다😊 사진은 2/2일에 촬영한 것이고 바람이 많이 불진 않아서 그렇게 춥지는 않았어요 : ) 충주호 글램핑/캠핑하기 좋은 곳! '충주호캠핑월드' # 방문평 요약 - 잔잔한 호수뷰가 좋아서 힐링하기 좋음 - 화장실 따뜻함 (라디에이터 잘 돌아가서 따뜻 / 겨울에 방문하기도 좋음 / 따듯한 물도 잘 나옴) - 바베큐랑 불멍세트도 제공받을 수 있음 (2~3만원 정도 추가금 발생) - 실내도 따뜻함 (전기장판, 온돌, 전기난로 등 잘 구비되어있음) - 실내등이 많이 약한 편 (실내가 조금 어두울 수 있어서 .. 공감수 0 댓글수 1 2024. 3. 29.
쉽게 이해하는 파이썬 numpy, pandas 정리 & 예제! 파이썬/데이터분석에서 꼭 알아야 하는 numpy, pandas 패키지에 대해 쉽게 이해해보자 1. Numpy - C로 구현된 숫자 관련된 자료형을 처리할 수 있는 함수의 집합 - python의 성능 문제를 대부분 상쇄해줄 수 있는 패키지 1) 배열 기초 - numpy.array(list.dtype)의 구조로 배열을 만들 수 있음 → 파이썬으로 list를 먼저 만들고, numpy.array를 통해서 변환해주는 개념 - 함수를 이용하여 배열 만들기 → 규모가 큰 배열의 경우에는 numpy에 내장된 함수를 사용하여 처음부터 배열을 생성하는 것이 효율적 - 대표적인 함수 → zeros, ones, full, arrange, linspace, rando.random, random.normal 등 2차원의 배열인 .. 공감수 0 댓글수 0 2024. 3. 24.
(파이썬 기초) if, for, while, try, except 쉽게 비교 정리 파이썬에서 자주 사용되는 if, for, while, try, except statement에 대해 쉽게 학습하자! 1. if (조건문) - 대부분의 프로그래밍 언어에서 지원하는 문법 - 직관적으로 특정 조건을 검사할 때 사용 if문에 조건을 넣지 않는 경우도 있다. 이 경우, 해당 값 자체가 True 혹은 False일때 실행문이 실행된다. if == 1 이런식으로 '=='으로 기입해야 된다. 하나만 적으면 잘못된 문법! # 실무에서 많이 쓰이는 표현 → 리스트에 데이터값들을 모두 담아두고 들어온 데이터의 길이(len)가 정상적인지 확인할 때 많이 사용한다. > 데이터를 입력받을 때, Feature들을 넣을 column의 숫자가 학습이랑 테스트가 같아야 한다. > 학습 전에 길이를 검토할 때 유용 2. .. 공감수 0 댓글수 0 2024. 3. 13.
데이터 분석할 때 꼭 알아야 하는 Python 기본 함수 총정리! 데이터 분석할 때 꼭 알아야 하는 Python 기본 함수 정리! 1. 자료형 기본적으로 Python에는 자료형을 포함하여 연산을 할 수 있는 내장함수가 있다. 파이썬은 다른 언어와 다르게 자료형을 직접 지정하지 않는다. C와 C++의 경우, 특정 변수에 대한 자료형을 지정해줘야 하지만, 파이썬은 자료형을 추측해서 지정되므로, 변환할 때만 기입해주면 된다. → 따라서 자료형은 어떤 종류가 있는지만 알면 된다. # Number - 정수(int), 부동소수점(float), 복소수(complex)를 표현할 수 있는 자료형 # Sequence - 문자열(str), 리스트(list), 튜플(tuple) 등의 자료형으로 순서를 표현하는 자료형 → 리스트는 test 데이터와 train 데이터를 만들때 한줄씩 돌아가면서.. 공감수 0 댓글수 0 2024. 3. 11.
(공주카페) 로컬커피, 공주 교동 한옥카페 추천! 분위기맛집! 공주 한옥 카페 추천! '로컬커피' - 주소 - 충남 공주시 용당길 55-7 (교동 185) - 내방역 6번 출구 보도 100미터 이내 - - 영업시간 - 매주 월요일 휴무 화~토 (12:00 ~ 21:00) 일 (12:00 ~ 18:00) - 주차 - 전용 주차장(교동 193번지) 있음 자리 없을 경우, 로컬파스타 뒷편에 주차 가능! 연휴때는 주차 자리가 협소할 수 있어요~ - 메뉴 - 기본 커피메뉴 +공주알밤라떼 +타르트(초코슈, 옥수수, 밤) +모찌(딸기, 귤) +밤 크림브륄 들어가는 입구쪽에 'Local coffee'로 가는 안내 표지판이 있어서 따라 들어가면 돼요~ 차는 못 들어갑니다^^ 안쪽에 마당이 있고 한옥이 정말 예쁘더라고요.(●'◡'●) 하나하나가 감성있었고 웨이팅이 조금 있어서 5~1.. 공감수 2 댓글수 2 2024. 3. 11.
(데이터분석) Anaconda & Python 설치 Google Colab 꿀팁 정리! Anaconda 및 Python 설치! Google Colab 사용법과 꿀팁! 1. Anaconda 설치 공부하면서 진행하는 실습은 대부분 Google colab에서 실시하지만 간혹 colab에서 사용할 수 없는 경우가 있어서 Anaconda를 통해 학습을 하기 좋다. 1) 구글 'anaconda' 검색해서 설치 : 'Download' 누른 후에 'Next, I agree'만 누르면 다운로드 끝 → 제일 최신버전으로 다운로드가 되는데, 사양 구분이 필요하면 버전을 체크해보고 다운로드하면 된다. # Anaconda 설치 링크 https://www.anaconda.com/download Free Download | Anaconda Anaconda's open-source Distribution is the .. 공감수 1 댓글수 1 2024. 3. 9.
(머신러닝) 학습된 모델을 평가하는 척도는 어떤 것이 있을까? 학습된 모델들을 평가하는 척도에 대해서 알아보자 (Model metrics) 1. 모델 평가 척도는 왜 필요할까? - 모델이 "잘" 학습되었는가를 확인할 수 있는 평가 수준이 필요 → 현업에서는 공통적으로 공감할 수 있는 지표가 필요하다. 모델링을 하는 사람과 현업을 하는 사람들의 언어는 전혀 다르기 때문에 모두가 공통적으로 공감할 수 있는 지표가 필요하다. 2. 많이 쓰이는 척도 모델을 평가하는 척도에는 일반적으로 많이 쓰이는 것과 잘 쓰이지는 않지만, 알아두면 언젠가 쓰일 수 있는 척도들이 있다. # 일반적으로 많이 사용되는 모델 평가 척도 (분류) - Accuracy (정확도) : 분류의 전체적인 정확도를 확인할 수 있는 지표 - Recall (재현율) : 분류하고자 하는 클래스를 분류하였는지를 측.. 공감수 0 댓글수 0 2024. 3. 1.
(머신러닝) Overfitting은 꼭 해결해야되는 문제일까? 머신러닝의 목표는 training dataset을 이용하여 모델을 학습하고, 학습된 모델을 이용하여 관측되지 않았던 새로운 데이터에 대해 예측을 수행하는 것이다. 따라서 training set에 포함되지 않은 데이터들을 test set으로 구성하고, 이 test set에 대해 모델의 성능을 측정함으로써 새로운 데이터에 대한 모델의 성능을 평가한다. → 따라서 머신러닝 모델은 train set만을 가지고 test set에 대한 정확한 예측이 가능하도록 training하게 되는데, 이 과정에서 overfitting이 일어나게 되고, 일반화를 위한 모델의 경우 이를 방지하지만 오히려 overfitting이 필요한 경우가 있을 수 있다. 모델 학습하면서 종종 발생하는 Overfitting 꼭 해결해야되는 문제일.. 공감수 0 댓글수 0 2024. 3. 1.
(머신러닝) 쉽게 이해하는 Cross Validation. 기법과 원리는? Cross Validation이란 무엇이고 기법의 원리는? 1. Cross Validation? 1) Definition Cross Validation이란 결과에 대한 분산을 줄이기 위해 사용하는 기법이다. ex) 성능 결과가 어떤거는 성능이 98%, 다른 거는 35% 등으로 들쭉날쭉하게 결과의 분산이 너무 크면 어떤 모델이 좋은 것인지 판단하기 어려워진다. → 'K-fold Cross validation'이 대표적으로 많이 사용된다. Q) Cross Validation(교차 검증)이 필요한 이유? : 만들어진 모델이 test set에만 잘 동작하는(=과적합, overfitting)되는 것을 해결하기 위해 필요하다 → 고정된 test set을 가지고 모델의 성능을 확인하고 parameter를 수정하는 것.. 공감수 0 댓글수 0 2024. 3. 1.
(머신러닝) 데이터를 'Train, Validation, Test'로 나누는 이유는? Train, Validation, Test data에 대해 학습하고, 데이터를 왜 나누는지도 정확히 알아보자 Train / Validation / Test 데이터를 어떤 목적으로 나누는 걸까? 1. Train / Test 1) 어떻게 좋은 모델을 선택할까? regression, classification 등의 많은 시도 끝에 '어떻게 좋은 모델을 선택할까?' 라는 질문은 마지막까지 계속 생기게 된다. 하지만, 그 과정에서 전체 데이터를 어떻게 나누고 어떤 순서로 성능을 측정하는지 알아보자 # 데이터 성능도 측정 프로세스 1. 전체 데이터를 Train 데이터와 Test 데이터로 나눔 → Train 데이터와 Test 데이터는 겹치는 부분이 있으면 안됨 → 둘은 가능한 최대한 독립적인 관계를 갖는 것이 좋음 .. 공감수 0 댓글수 2 2024. 2. 28.
[서초] 서래족발, 서울 족발맛집 정착. 쫄깃하고 맛있고 양도 Good! 집으로 돌아가던 중, '저녁 어디서 뭐 먹지..' 하다가 방배동에 족발 맛집으로 보이는 곳이 있어 방문한 이곳. 내돈내산한 솔직한 후기와 아쉬웠던 점까지 모두 공유드립니다😄 서초 족발맛집, "서래족발" - 주소 - 서울 서초구 방배로 189 1층 (큰 도로변에 있음) - 내방역 6번 출구 보도 100미터 이내 - - 영업시간 - 화~금 : 10:00 ~ 02:00 토~월 : 11:30 ~ 02:00 브레이크타임 : 15:00 ~ 17:00 - 주차 - 음식점 뒤편에 주차공간이 있는데 아주아주 협소합니다. 운전초보는 근처 공영주차장에 주차하세요! 들어가서 차가 많다 싶으면 평행주차 하지마시고 그냥 주차장으로! (나오는 골목도 좁아서 긁고, 긁히고, 니가 나가네 내가 나가네 싸웁니다) - 메뉴 - 서래족발 .. 공감수 1 댓글수 1 2024. 2. 28.
(머신러닝) Clustering이란? K-means 알고리즘 원리 간단 정리! Clustering이란? 대표적인 K-means 알고리즘의 원리 간단 정리! 1. Clustering(군집)이란? Clustering이란, 비슷한 특성(feature)을 가진 데이터들을 하나의 그룹으로 묶는 작업을 의미한다. → 특성의 유사도를 판단하는 기준 : Distance, Connectivity, Distribution, Density 등 → 대표적인 비지도학습(unsupervised learning) 중 하나이다. 실제 현업에서는 regression도 classification 문제도 아닌 문제점들이 있다. 이와 같은 supervised 유형의 정답이 있는 문제들도 많지만, 정답이 없는 unsupervised 유형의 경우도 많다. ex) 신제품에 대한 잠재 소비자들의 수 예상 # 좋은 Clust.. 공감수 2 댓글수 2 2024. 2. 27.
(머신러닝) Classification(분류)에 대해 정확히 알고 가자 이번 게시물을 통해서 흔히 많이 들어본 Classification(분류)에 대한 기본적인 개념과 알고리즘의 원리 및 종류를 간단히 알고, binary classification이 무엇이고 우리가 당면한 문제가 binary classification인지 multiclass classification인지를 판단하고, 이를 어떤 방법으로 풀 수 있는지 살펴보자. Classification(분류)란? 분류 알고리즘의 원리와 binary classification에 대해 알아보자 1. Classification? 1) Definition Regression이 데이터를 가장 잘 표현할 수 있는 함수를 찾는 방법이라면, Classification은 데이터를 가장 잘 나누는(=분류하는) 함수를 찾는 방법이다. 위 왼쪽.. 공감수 0 댓글수 1 2024. 2. 27.
(머신러닝) Regression 회귀 분석에 대해 정확히 알아보자 Regression(회귀분석)이란? 어떨때 이 분석을 사용하고 대표적인 기법은? 1. Definition 회귀(Regression)이란 사전적 의미로 "go back to an earlier and worse condition"으로 예전의 대표적인 상태로 돌아가는 특성에 기반한 분석을 의미한다. 쉽게 말해 "데이터를 가장 잘 표현하는 함수를 찾는 방법"이며, 이를 통해 "수치적 값을 예측할 수 있는 분석"이라고 보면 된다. 아버지의 키에 따른 아들의 키에 대한 분석을 하면서 처음으로 회귀(regression) 문제로 나왔다. - 장점 → Model이 간단하기 때문에 모델의 학습시간이 짧음 → 선형 데이터에 적합 → 직관적인 해석이 가능 (현업에서 유용하게 사용) - 단점 → 비선형 데이터에 부적합 → 다.. 공감수 0 댓글수 0 2024. 2. 27.
(머신러닝) Supervised vs Unsupervised Learning 간단 정리 머신러닝에서 'Supervised'와 'Unsupervised Learning'에 대해 학습하고 그 차이점을 알아보자 Supervised Learning vs Unsupervised Learning 1. Supervised Learning (지도 학습) - 타겟 Y가 명확하게 존재하는 경우 사용하는 학습방법 ex) 어떤 사람이 상품을 샀다/안샀다 등 - 현업에서 만날 수 있는 대다수의 문제가 이 'supervised learning'에 해당 → Regression, Classification, Deep learning X(독립변수)와 Y(종속변수) 사이의 관계를 찾고, 이를 이용하여 미래의 Y(=target)값을 예측하는 원리 - Y가 categorical일 경우, Classification(분류) 영역.. 공감수 0 댓글수 0 2024. 2. 27.

반응형

문의안내

티스토리
로그인
고객센터

티스토리는 카카오에서 사랑을 담아 만듭니다.