📔설명

R을 이용해 분석 모형 구축을 해보자

---

🍿선형 회귀분석

: 독립변수와 종속변수의 관계가 선형이고, 하나 이상의 독립변수들이 종속변수에 미치는 영향을 추정

lm(formual, data)
선형 회귀분석 함수

type="response" : 반응변수의 크기로 값 반환

---

🥥로지스틱 회귀분석

: 종속변수가 범주형인 경우 적용되는 회귀분석

glm(formual, family, data, ...)
로지스틱 회귀분석 family : 이항 로지스틱 회귀분석(범주가 2개 ex.죽거나 살거나)인 경우 "binomial"

---

🗻의사결정 나무

: 데이터들이 가진 속성들로부터 분할 기준 속성을 판별하고, 그 속성에 따라 트리 형태로 모델링하는 분류 예측 모델

rpart(formula, data)
의사결정 나무 함수

• 학습용 데이터(n) = 313
• root 313 99 neg는 루트노드이며, 313개의 데이터 중 99개의 데이터가 부정(neg), 긍정(pos)은 68%, 부정은 31%
• glucose<127.5 192 25 neg에서 glucose<127.5인 데이터의 수는 313개 중 192개이며, 25개가 부정임

type="class" : 각 분류에 속할 클래스 예측

---

🛴서포트 벡터 머신

: 마진이 가장 큰 초평면을 선택하여 분리하는 지도학습기반 이진 선형 분류기

svm(formula, data)
e1071패키지의 svm함수

---

🧁K-NN

: 해당 데이터와 가장 가까운 k개의 데이터들의 클래스로 분류

• 일반적으로 k는 훈련 데이터 개수의 제곱근
• k는 초매개변수

knn(train, test, cl, k)
class 패키지의 knn함수 cl : 학습용 데이터의 종속변수 k : 근접 이웃의 수(기본 1)

---

🥠인공신경망

: 입력값을 받아서 출력값을 만들기 위해 활성화 함수 사용

nnet(formula, data, size, maxit, decay=5e-04 ...)
nnet패키지의 nnet 함수 size : 은닉층의 개수 maxit : 반복할 학습 횟수 decay : 가중치 감소의 모수(기본값 5e-04)

initial value : 초기 손실 함수

---

🍔앙상블

배깅 : 다수의 부트스트랩 자료를 생성해 각 자료 모델링 후 결합해 예측모형 생성
부트스트랩 : 랜덤 복원추출

bagging(formula, data, nbagg)
ipred패키지의 bagging 함수 nbagg : bootstrap의 개수 설정

랜덤 포레스트 : 의사결정 나무의 분산이 크다는 점을 고려해 배깅과 부스팅보다 더 많은 무작위성을 주어 약한 학습기들을 선형 결합하여 최종 학습기 생성

randomForest(formula, data, ntree, mtry)
randomForest패키지의 randomForest 함수 ntree : 사용할 트리의 수 mtry : 각 분할에서 랜덤으로 뽑힌 변수의 수(랜덤 표본 추출 변수 수)

proximity=TRUE : 의사결정 트리 간 유사성 계산