InYoung.log

▷ 키워드 핵심 포인트 비지도 학습 : 머신러닝의 한 종류로 훈련 데이터에 타깃이 없음 타깃이 없기 때문에 외부의 도움 없이 스스로 유용한 무언가 학습 대표적인 비지도 학습 작업 - 군집, 차원 축소 히스토그램 : 구간 별로 값이 발생한 빈도를 그래프로 표시한 것 보통 x축이 값의 구간(계급)이고 y축은 발생 빈도(도수) 군집 : 비슷한 샘플끼리 하나의 그룹으로 모으는 대표적인 비지도 학습 군집 알고리즘으로 모은 샘플 그룹을 클러스터라 함 k-평균 : 알고리즘은 처음에 랜덤하게 클러스터 중심을 정하고 클러스터를 만듦 그 다음 클러스터의 중심을 이동하고 다시 클러스터를 만드는 식으로 반복해서 최적의 클러스터를 구성 클러스터 중심 : k-평균 알고리즘이 만든 클러스터에 속한 샘플의 특성 평균값 센트로이드라고..

고객 올린 사진을 어떤 과일인지 분류 타깃을 모르는 비지도 학습 타깃을 모르는 사진을 종류별로 분류 비지도 학습 : 타깃이 없을 때 사용하는 알고리즘 사람이 가르쳐 주지 않아도 데이터에 있는 무언가를 학습 06-1. 군집 알고리즘 과일 사진 데이터 준비 이미지 데이터 넘파이 배열의 기본 저장 포맷인 npy 파일로 저장되어 있음 코랩에서 ! 문자로 시작하면 이후 명령을 파이썬 코드가 아니라 리눅스 셸 명령어로 인식 wget 원격 주소에서 데이터를 다운로드하여 저장 !wget https://bit.ly/fruits_300 -O fruits_300.npy 파일로드 넘파이에서 npy 파일을 로드 방법 : .load() 메서드에 파일 이름 전달 import numpy as np import matplotlib.p..

▷ 키워드 핵심 포인트 결정트리 : 예/아니오에 대한 질문을 이어나가면서 정답을 찾아 학습하는 알고리즘 비교적 예측 과정을 이해하기 쉽고 성능도 뛰어남 불순도 : 결정 트리가 최적의 질문을 찾기 위한 기준 사이킷런은 지니 불순도와 엔트로피 불순도 제공 정보이득 : 부모 노드와 자식 노드의 불순도 차이 결정 트리 알고리즘은 정보 이득이 최대화되도록 학습 가지치기 : 결정 트리의 성장을 제한하는 방법 (결정 트리는 제한 없이 성장하면 훈련 세트에 과대적합되기 쉬움) 특성 중요도 : 결정 트리에 사용된 특성이 불순도를 감소하는데 기여한 정도 검증 세트 : 하이퍼파라미터 튜닝을 위해 모델을 평가할 때, 테스트 세트를 사용하지 않기 위해 훈련 세트에서 다시 떼어 낸 데이터 세트 교차 검증 : 훈련 세트를 여러 폴..

캔에 인쇄된 알코올, 도수, 당도, pH 값으로 와인 종류 구별 로지스틱 회귀로 와인 분류하기 species 열에서 고유값 추출 ## 로지스틱 회귀로 와인 분류하기 import pandas as pd wine = pd.read_csv('https://bit.ly/wine-date') 샘플 확인 - head * head() : 처음 n개의 샘플 확인 (기본값 5) wine.head() 처음 3개 열(alchol, sugar pH) - 각각 알코올 도수, 당도, pH값 나타냄 네 번째 열(class) 타깃값 - 0 레드와인, 1 화이트 와인 -> 레드와인 vs 화이트 아인 구분하는 이진 분류 화이트 와인이 양성 클래스 -> 전체 와인 데이터에서 화이트 와인 골라내는 문제 샘플 확인 - info * info(..

▷ 키워드 핵심 포인트 로지스틱 회귀 : 선형 방정식을 사용한 분류 알고리즘 선형 회귀와 달리 시그모이드 함수나 소프트맥스 함수를 사용하여 클래스 확률 출력 가능 다중 분류 : 타깃 클래스가 2개 이상인 분류 문제 로지스틱 회귀는 다중 분류를 위해 소프트 맥스 함수를 사용하여 클래스 예측 시그모이드 함수 : 선형 방정식의 출력을 0과 1 사이의 값으로 압축하며 이진 분류를 위해 사용 소프트맥스 함수 : 다중 분류에서 여러 선형 방정식의 출력 결과를 정규화하여 합이 1이 되도록 만듦 확률적 경사 하강법 : 훈련 세트에서 샘플 하나씩 꺼내 손실 함수의 경사를 따라 최적의 모델을 찾는 알고리즘 샘플을 하나씩 사용하지 않고 여러 개를 사용 : 미니배치 경사 하강법 한 번에 전체 샘플을 사용 : 배치 경사 하강법..

럭키백에 들어갈 생선 확률 계산 럭키백에 들어갈 생선 7개 길이, 높이, 두께, 대각선 길이, 무게 특성 이용 k-최근접 이웃 분류기 k-최근접 이웃은 주변 이웃을 찾아주니까 이웃의 클래스 비율 확률이라고 출력! 데이터 준비 인터넷에서 직접 CSV 파일 읽어들이기 판다스 read_csv() 함수 -> csv 파일 데이터프레임으로 변환 import pandas as pd fish = pd.read_csv('http://bit.ly/fish_csv') fish.head() species 열에서 고유값 추출 * unique() : 고유한 값 추출 print(pd.unique(fish['Species'])) 입력 데이터로 만들 데이터프레임 열 선택 데이터프레임에서 원하는 열 리스트로 나열 species 열 - ..

▷ 키워드 핵심 포인트 회귀 : 임의의 수치를 예측하는 문제 타깃값도 임의의 수치가 됨 k-최근접 이웃 회귀 : k-최근접 이웃 알고리즘을 사용해 회귀 문제 풂 가장 가까운 이웃 샘플을 찾고 이 샘플들의 타깃값을 평균하여 예측으로 삼는다 결정계수(R제곱) : 대표적인 회귀 문제의 성능 측정 도구 1에 가까울수록 좋고, 0에 가깝다면 성능이 나쁜 모델 과대적합 : 모델의 훈련 세트 성능이 테스트 성능보다 훨씬 높을 때 모델이 훈련 세트에 너무 집착해서 데이터에 내재된 거시적인 패턴을 감지하지 못한다 과소적합 : 훈련 세트와 테스트 세트 성능이 모두 동일하게 낮거나 테스트 세트 성능이 오히려 높을 때 더 복잡한 모델을 사용해 훈련 세트에 잘 맞는 모델 만들기 선형 회귀 : 특성과 타깃 사이의 관계를 가장 잘..

지도 학습 알고리즘 - 분류 : 샘플을 몇 개의 클래스 중 하나로 분류 - 회귀 : 정해진 클래스가 없고 임의의 어떤 수치를 예측하는 문제 농어(perch) 무게 예측 농어의 길이, 높이, 두께 데이터 있음 ~ 농어 무게 예측 모델 만들고 싶다! 03-1. K-최근접 이웃 회귀 k-최근접 이웃 분류 예측하려는 샘플에 가장 가까운 샘플 k개를 선택 -> 샘플들의 클래스를 확인 -> 다수 클래스를 새로운 샘플의 클래스로 예측 k=3 (샘플이 3개)라고 가정하면, 사각형이 2개로 다수이기 때문에 샘플 x의 클래스는 사각형 k-최근접 이웃 회귀 분류와 똑같이 예측하려는 샘플에 가장 가까운 샘플 k개를 선택 이웃한 샘플의 타깃은 어떤 클래스가 아니라 임의의 수치 타깃 예측 간단한 방법 = 이웃수치들의 평균 이웃한..