Machine Learning

머신러닝 시스템의 종류 1. 지도학습 (Supervised Learning) 훈련 데이터에 레이블(label)이라는 답이 포함되어있는 모델 주어진 input으로부터 label을 예측하는 일을 학습 분류(classification) : 전형적인 지도학습 회귀(Regr

모델을 학습하는데 사용하는 Dataset모델의 parameter들을 업데이트 할 때 사용학습이 끝난 모델을 검증 하는데 사용하는 Dataset모델의 성능을 평가하는데 사용다양한 parameter와 모델을 사용해보면서 validation set으로 가장 좋은 모델을 선택

모델을 학습시킬 때, 데이터셋을 크게 Training Set과 Test Set으로 나누어 수행Training Set으로 모델 학습, Test Set으로 모델 검증이렇게 데이터셋을 나눌 경우 Training Set에서는 정확도가 높지만, Test Set에서는 정확도가 높

너무 과도하게 데이터 모델을 학습한 경우Training Data에는 잘 맞지만, Test Data에는 잘 맞지 않는 것복잡한 모델이거나 데이터가 적을수록 과적합(overfitting)이 일어나기 쉬움과적합(overfitting)의 반대개념Training Data도 학습

Objective Function (목적함수) & Loss Function (손실함수) & Cost Function (비용함수) 기계가 스스로 모델의 성능 향상 정도를 판단하기 위해서 사용되는 함수 학습을 통해 최적화(optimization)시키려는 함수 일반적으로

딥러닝 알고리즘을 학습할 때 사용되는 최적화 방법(optimizer)중 하나Loss Function의 크기를 최소화시키는 파라미터를 찾는 것Loss Function의 변화에 따라 가중치(w)와 편향(b)를 업데이트해야 할 때, 최적의 가중치를 찾는 방법으로 사용됨함수의

모델 학습 중 parameter를 업데이트할 때 사용할 데이터의 개수Batch size만큼의 데이터를 활용해 loss function을 계산한 후 parameter update전체 데이터셋에 대한 Batch의 개수전체 데이터셋을 학습한 횟수Training Data를 모

1. Accuracy (정확도) $$ Accuracy = \frac{TP+TN} {TP+TN+FP+FN}$$ 분류 모델이 전체 데이터셋 중에서 정답을 맞춘 비율을 보여주는 단순 지표 만약 데이터가 불균형하다면 (ex. 500개의 데이터 중 490개 데이터 레이블이 이

핸즈온 머신러닝 2판 Ch03 분류

둘 이상의 class 구별SGD Classifier, Randomforest Classifier, Naive Bayes Classifier는 여러 개의 class를 직접 처리 가능Logistic Regression, Support Vecter Machine Classi