패스트캠퍼스:K-Digital Credit(머신러닝&AI첫걸음 시작하기)

단순 선형 회귀 모델 검정귀무 가설: b1 = 0(회귀계수는 0 = 변수의 설명력이 존재하지 않음)대립가설: b1 =! 0 (설명력 있는 변수 존재함)1) 회귀 분석은 Y의 변동성을 '독립변수'가 얼마나 잘 설명하느냐가 중요2) 변수가 여러개 일때 각각 Y를 설명하는

입력 변수가 여러 종류일 때: 다중 로지스틱 회귀Y의 변동성을 잘 설명하면서 + 상관관계가 없는 변수들: 영향력이 없는 입력 변수의 계수를 0에 가깝게 가져간다면, 모형에 포함되는 입력 변수의 수를 줄일 수 있음 1\. noise 제거 -> 모형 정확도 개선 2\.

설명변수가 연속형: 가우시안 나이브 베이지안설명변수가 범주형: Multinomial 나이브 베이지안설명변수가 이분형: Bernoulli 나이브 베이지안범주형 변수: Hamming distance연속형 변수: Euclidian distance, Manhattan dist

여러 개의 기본모델을 활용하여 하나의 새로운 모델을 만들어내는 개념Test데이터에 대해 다양한 의견(예측값)을 수렴하기 위해 overfitting이 잘되는 모델을 기본적으로 사용가장 많이 사용되는 모델: 랜덤포레스트, boosting<Tree기반의 단일 모델(패키

클래스 불균형은 다수 클래스가 소수 클래수의 수보다 월등히 ㅁ낳은 학습 상황을 의미하며클래스 불균형 데이터를 이용해 분류 모델을 학습하면, 분류 성능이 저하되는 문제가 발생함IR(Class Imbalanced Ratio)= 분석의 도메인(목적)에 따라서, 지표를 다르게