Codeit_머신러닝

일차식이나 일차 함수를 공부하는 학문머신러닝을 할 때 데이터를 일차식에 사용하는 경우가 많으므로 머신러닝에는 선형대수학이 필수이다.행렬은 수를 직사각형의 형태로 나열한 것행(row) : 행렬의 가로줄열(column) : 행렬의 세로줄배열이나 리스트의 인덱스는 0부터 시

머신러닝이란? Model : 서로 다른 변수들 사이에 존재하는 수학적 관계 머신러닝 : Data로부터 Model을 컴퓨터가 스스로 학습하여 사용하는 것 컴퓨터의 성능이 좋아지고 사용할 수 있는 data의 양이 많아지며 활용성이 증명되었기 때문에 최근 들어 머신러닝이 핫

주어진 구간에서 평균적으로 함수가 단위당 변화한 양을 측정한 것어느 한 점에서의 접선의 기울기함수의 순간변화율을 구하는 방법x의 변화에 따른 순간 변화율을 계산극소점(local minimum) : 순간변화율이 음수 → 0 → 양수 가 되는 지점극대점(local maxi

선형 회귀(Linear Regression) 지도 학습 중 회귀에 해당한다. data에 가장 알맞는 선(최적선)을 찾는 것 단순하고 유용하며 다른 알고리즘의 기반이 된다. 목표 변수(target variable) : 맞추려고 하는 값 입력 변수(feature) : 맞추

기존 선형회귀는 X, Y가 하나씩 존재했지만, 다중 선형회귀는 여러개의 특성을 이용하여 종속변수를 예측한다.속성(feature) : 입력변수입력 변수가 여러개인 일차식→ 선형대수학의 벡터를 이용하여 가설함수를 표현다중 선형 회귀에서는 입력변수가 여러개이기 때문에 the

데이터에 잘 맞는 일차 함수나 직선을 구하는 게 아니라 다항식이나 곡선을 구해서 학습하는 것선형 회귀는 속성이 모두 독립적이기 대문에 변수들 사이 관계를 최종 예측 결과에 반영하지 못한다.이를 다항 회귀 문제로 만들면 속성들 사이에 있을 수 있는 복잡한 관계들을 프로그

로지스틱 회귀(Logistic Regression) 선형회귀 분류는 예외적인 데이터에 민감하기 때문에 로지스틱 회귀를 주로 사용한다. 시그모이드 함수를 이용하여 주로 분류를 하는데 사용된다. > 분류를 하기 위해 사용되는 데 왜 로지스틱 '회귀'인가? 시그모이드 함수

데이터를 그대로 사용하지 않고, 가공해서 모델을 학습시키는데 좀 더 좋은 형식으로 만들어주는 것머신러닝 모델에 사용할 입력 변수들의 크기를 조정하여 일정 범위 내에 떨어지도록 바꾸는 것경사 하강법을 사용하는 모든 알고리즘의 속도를 더 빠르게 할 수 있다.min-max-

Bias : 지나치게 단순한 모델로 인한 error분산(Variance) : 데이터 셋 별로 모델이 얼마나 일관된 성능을 보여주는가 편향이 높은 모델은 너무 간단해서 주어진 데이터의 관계를 잘 학습하지 못한다.편향이 낮은 모델은 주어진 데이터의 관계를 잘 학습한다.ov

모델의 성능을 더 정확하게 평가할 수 있는 방법 중 하나모델이 운좋게 딱 test set에서만 성능이 좋거나 안좋게 나올 수 있어서 k겹 교차 검증을 사용한다.전체 데이터를 k개의 같은 사이즈로 나눈 뒤, 1개의 데이터셋을 test set으로, 나머지를 training

결정 트리

하나의 모델을 쓰는 대신, 수많은 모델들을 만들고 이 모델들의 예측을 합쳐서 종합적인 예측을 하는 기법The Elements of Statistical Learning :"결정 트리는 이상적인 머신 러닝 모델이 되기 힘든 한가지 특징을 갖는다. 바로 부정확성이다" →

앙상블 기법 중 하나일부러 성능이 안 좋은 모델들을 사용한다.더 먼저 만든 모델들의 성능이, 뒤에 있는 모델이 사용할 데이터 셋을 바꾼다.모델들의 예측을 종합할 때, 성능이 좋은 모델의 예측을 더 반영한다.→ 성능이 안 좋은 약한 학습자들을 합쳐 성능을 극대화한다.ro