데린이를 위한 데이터레시피

1. 머신러닝 모델의 '평가' - 학습이 완료된 모델이 예측한 값과 실제값이 얼마나 일치하는지를 계산하여 모델의 성능을 판단. - 이 때 사용하는 데이터는 학습 이전에 미리 분할해 두었던 테스트 셋임. - 머신러닝의 기법(분류 모델이냐? 회귀 모델이냐? 군집 모델이냐?)에 따라 평가 지표는 달라짐. 2. 분류 모델의 평가 방법 - 분류 모델의 성능을 평가하기 위한 가장 기본적인 방법은 정확도(Accuracy)임. - 정확도 이외에 재현율, 정밀도, F1 점수 등이 있고, 데이터와 모델이 어디에 사용되느냐에 따라 성능 지표를 제대로 설정해야함. - 무작정 정확도가 높다고 좋은 모델이 아님. - 각 성능 지표를 이해하기 위해서 가장 기본이 되는 혼동행렬에 대한 이해가 필요함. 3. 혼동행렬(Confusion..

구분 로지스틱회귀 SVM KNN 결정트리 앙상블 정의 독립 변수의 선형 결합을 이용하여 개별 관측치가 어느 집단에 속하는지 확률을 계산하여 분류 데이터들을 가능한 멀리 두 개의 집단으로 분리시키는 최적의 초평면 기반 분류 새로 입력된 데이터를 거리기반으로 클래스를 설정하여 분류 의사결정규칙을 도표화하여 관심대상이 되는 그룹을 몇 개의 소그룹으로 분류 여러 개의 분류기를 결합하여 성능 개선 개 념 도 주요 개념 - 선형분리 -마진최대화 -커널(데이터 차원수 늘림. 선형커널, RBF커널) -초평면, 서포트벡터, 마진 -하이퍼파라미터(k)값을 어떻게 설정하느냐가 성능을 좌우 -유클리드거리 - 해석이 쉬움 - 배치학습만 가능 - 학습과정 병렬화 가능 - 랜덤포레스트 - 배깅, 부스팅

안녕하세요. 데이터 요리사, 루나입니다. 어떤 일이든지 내가 해결하고자 하는 것이 무엇인지 분명하게 정의하는 것이 매우 중요합니다. 머신러닝 문제를 정의하기 위해서는 기계가 학습하는 방법에 대해서 알고 있어야합니다. 기계는 어떤 식으로 학습을 할까요? 1 머신러닝 학습방법 기계가 학습하는 방법을 보통 세 가지로 분류합니다. 지도학습, 비지도학습, 강화학습 이렇게요. 여기서 '지도'는 map이 아닌 teach의 개념입니다. 기계에게 답을 가르쳐주느냐, 주지 않느냐에 따라서 크게 지도/비지도 학습으로 나누고 이 둘을 적당히 섞은 준지도학습(Semi-supervised Learning)이라는 개념도 있습니다. 각각의 학습 방법에 대해서 살펴보겠습니다. 1-1. 지도학습(Supervised Learning) 아..

안녕하세요. 데이터 요리사, 루나입니다. 1 머신러닝이란? 머신러닝(Machine Learning)은 말 그대로 기계(Machine)가 학습(Learning)을 하는 것입니다. 사람이 책을 읽고 문제집을 풀어가면서 이론을 익혀나가듯이, 기계는 수많은 데이터를 읽어들여서 그 안에 숨겨진 패턴을 찾고, 문제를 해결할 수 있는 알고리즘을 찾아나갑니다. 이렇게 주어진 데이터를 분석해서 문제해결 솔루션을 만들어내는 과정을 기계학습, 즉 머신러닝이라고 합니다. 기존에 프로그래밍을 작성해본 경험이 있는 사람이라면, 위의 그림이 쉽게 이해가 될 것입니다. 프로그래머가 작성하던 코드를 머신러닝이나 딥러닝에서는 기계가 스스로 찾아냅니다. 프로그래머의 역할이 바뀌게 되는거죠. 머신러닝을 개발하는 개발자는 기계가 스스로 학습..