인공지능

예측 - 분류

---

‘날짜’가 지남에 따라 (x축)

‘잎 너비’는 얼마나 자랐을까 (y축)

점으로 찍어봐라( plot )!

• plot( 데이터 이름, ‘날짜’, ‘잎 너비’, ‘주인’)

예측 과정

1. plot으로 점을 찍는다
2. Linear Regression 으로 선을 그어서 예측
   

스코어

스코어가 0이면 평균이고 1에 가까울 수록 예측을 잘한 것이다.

예측 알고리즘

• KNeighborsRegressor (K-근접)
• DecisionTreeRegressor (결정 트리)
• RandomForestRegressor (랜덤 포레스트)
• Linear Regressor (선형 회귀)
• GradientBoostingRegressor (부스팅)
• XGBRegressor (부스팅)
• CatBoostRegressor (부스팅)

(머신러닝)

• NN-based LinearRegressor
• MLPRegressor
• RNN/ LSTM/ GRU

분류

키에 따라 몸무게는 어떻게 변할까

(성별에 따라 다른 색으로 표시)

plot( 데이터이름, ‘키’, ‘몸무게’, ‘성별’)

바이올린 모양으로 표시

violinplot(데이터이름, ‘성별’, ‘키’)

• plot에서 논리회귀 알고리즘으로 분류했을 경우
  
• 결정 트리 알고리즘으로 분류
  

분류 알고리즘

• SVC (서포트벡터머신)
• DecisionTreeClassifier (결정트리)
• RandomForestClassifier (랜던포레스트)
• XGBClassifier (XGBoost, eXtreme Gradient Boosting, Boosting or Additive Training) (부스팅)

(딥러닝)

• LogisticRegression (논리회귀)
• Multilayer Neural Networks
• CNN/ RCNN/ GCNN

지능

• 새로운 사물 현상에 부딪쳐 지식을 활용하여 그 의미를 이해하고 처리 방법을 알아내는 지적 활동 능력

인공지능

• 사람에 의해 컴퓨터에 구현한 지능

머신러닝

• 입력과 정답을 주고 학습시켜 → 지식을 얻는 것

머신러닝 절차

1. CSV 파일 로드
2. 데이터 시각화와 분석
3. 데이터 전처리
4. 특징 상관관계 분석
5. 데이터 분할
6. ML 알고리즘을 이용한 분류/ 예측
7. 평가 및 결론