평가 방법 분류 모델 평가 분류 모델은 0인지 1인지를 예측하는 것 실제 값도 0과 1, 예측값도 0과 1 하지만, 0을 1로 예측하거나 1을 0으로 예측할 수 있음 예측 값이 실제 값과 많이 같을 수록 좋은 모델이라 할 수 있음 -> 정확히 예측한 비율로 모델 성능을 평가 -> 정확도를 높이는 것이 목표!! 회귀 모델 평가 회귀 모델이 정확한 값을 예측하기는 사실상 어려움 예측 값과 실제 값에 차이(=오차)가 존재할 것이라 예상함 예측 값이 실제 값에 가까울 수록 좋은 모델이라 할 수 있음 -> 예측한 값과 실제 값의 차이(=오차)로 모델 성능을 평가 ->오차를 줄이는 것이 목표!! 회귀모델의 성능은 실제값과 예측값의 차이, 즉 오차의 크기로 평가함 MSE (Mean Squared Error): 오차 ..

데이터 불러오기, 데이터 준비 과정 - 머신러닝은 데이터에서 규칙을 찾고 그 규칙에 기반해 예측 하는 것  데이터 준비 과정이 필요 - 충분히 학습하고 평가할 수 있는 좋은 데이터가 준비 되어야 좋은 모델을 기대할 수 있음 - 대상 데이터를 불러와 충분히 탐색하고 적절히 전처리 한 후 데이터 분리 과정을 수행 학습을 위한 데이터 분리 모델 불러오기, 모델 평가를 위한 평가지표 불러오기 Scikit Learn 모델링 코드 구조 - 모델링 코드 구조 55단계에 따라 코딩을 진행 - 사용할 알고리즘과 평가지표와 관련된 함수를 불러와 사용 - 모델링 결과 예측 및 평가 결과 에 대해 충분히 분석하고 의미를 찾는 과정이 필요

지도학습 분류 (Classification) 문제와 회귀 (Regression) 문제를 다뤄본다. 분류와 회귀 모델링을 하기 전에 원하는 결과가 분류인지 회귀인지 명확히 이해해야 함 회귀는 연속적인 숫자를 예측 분류는 범주값을 에측 분류와 회귀는 서로 다른 함수를 사용해 모델링을 하게 됨 문제의 유형을 정확히 파악 -> 알고리즘과 평가 방법을 선택 -> 관련된 함수를 사용해 모델링 3. 기초 용어 알아두기 모델, 모델링 모델(Model) 데이터로부터 패턴을 찾아, 수학식으로 정리해 놓은 것 모델링(Modeling): 오차가 적은 모델을 만드는 과정 모델의 목적 샘플을 가지고 전체를 추정 샘플: 표본, 부분집합, 일부, 과거의 데이터 전체: 모집단, 전체집합, 현재와 미래의 데이터 추정: 예측, 추론 행,..

학습 방법에 따른 분류 지도학습 (Supervised Learning) : 학습 대상이 되는 데이터에 정답을 주어 규칙성, 즉 데이터의 패턴을 배우게 하는 학습 방법 비지도학습 (Unsupervised Learning) : 정답이 없는 데이터만을 배우게 하는 학습 방법 강화학습 (Reinforcement Learning) : 선택한 결과에 대해 보상을 받아 행동을 개선하면서 배우게 하는 학습 방법 Task에 따른 분류 분류 문제 (Classification) : 이미 적절히 분류된 데이터를 학습하여 분류 규칙을 찾고, 그 규칙을 기반으로 새롭게 주어진 데이터를 적절히 분류하는 것을 목적으로 함 (지도학습) 회귀 문제 (Regression) : 이미 결과값이 있는 데이터를 학습하여 입력 값과 결과 값의 연..