머신러닝

KNN 모델의 알고리즘을 이해하고 하이퍼 파라미터 튜닝을 배우다. 1. KNN 모델 알고리즘 현재 KNN 모델을 공부하고 있다. KNN 모델은 지도학습에서 분류 방법으로 학습하는 머신러닝 모델이다. KNN은 K-Nearest Neighbors의 줄임말이다. KNN은 거리기반으로 학습을 하는데 무슨 소리냐면 KNN에서 K는 미지수인데 K값에 따라 가까운 이웃의 수를 결정한다. K가 만약 3이면 주변 3개의 이웃의 데이터를 보고 스스로 예측한다. KNN 모델은 지도학습의 분류와 회귀, 두 곳 다 사용할 수 있는데 분류에서는 문자형태로 정답이 있기 때문에 이웃 중에서 가장 많은 값으로 예측한다. 회귀는 정답 데이터가 연속된 수치데이터이기 때문에 이웃 값의 평균값으로 예측한다. knn_model2 = KNeig..

sklearn.neighbors 모델을 만들고 지도학습시켜서 머신러닝 실습을 하다. 머신러닝의 학습 단계는 7단계로 구성되어 있다. 각 단계를 설명하면서 실습도 함께 진행하려고 한다. 문제 정의 데이터 만들기 데이터 전처리 탐색적 데이터 분석 (EDA) 모델 생성(선택) 및 하이퍼 파라미터 정의 (튜닝) 모델 학습 정확도 평가 1. 문제 정의 학습단계 중 1단계인 문제정의에 대해 설명하겠다. 문제 정의 단계는 문서작성하는 단계와 비슷하다. 목적 : 머신러닝을 통해서 어떤 문제를 해결할 것인지? -> 비만을 판단하는 모델 만들기 학습 선택 : 지도학습 vs 비지도학습 vs 강화학습 -> 지도학습 지도학습에서 분류 vs 회귀 -> 분류 (저체중, 정상, 과체중, 비만 등) 결론 : 비만을 판단하는 모델 만들..

머신러닝의 정의, 학습 종류를 배우다. 1. 머신러닝 머신러닝 : 2D, 표 형태의 데이터에서 규칙을 찾아내는 과정 사용하는 데이터를 기반으로 학습 또는 성능 향상을 지원하는데에 초점을 둔다. 2. 머신러닝 학습 종류 머신러닝의 학습 종류를 알기 전에 머신러닝에서 사용되는 X, y에 대해서 알아보자. 대소문자 구별 X는 문제데이터, 특성, feature, 독립변수, 속성과 같은 의미를 지닌다.y는 정답데이터, target, Label, 종속변수과 같은 의미를 지닌다.X는 테스트, y는 검증하는 데이터라고 생각하면 편하다. 1. 지도 학습 문제와 정답을 주고 학습시킨다. 사람이 직접 데이터에 개입하므로 정확도가 높은 데이터를 사용할 수 있다. 대신 사람이 직접 해야하기때문에 인건비 문제가 있고, 데이터 양..