🐡 Machine_learning

목표방대한 데이터에서 유의미한 패턴과 규칙을 발견발견된 규칙을 예측 및 의사결정에 활용목적예측: 패턴을 기반으로 미래를 예측 → 사업 성공률 향상설명: 규칙으로 현상을 설명 → 의사결정, 신제품 개발 활용① 목적 정의: 분석 목표 설정② 데이터 준비: 수집, 품질 확보

공식 DOC목표변수(레이블) 있으면 지도학습없으면 비지도학습표준화된 API 제공 (fit, predict)예: 합격/불합격, A/B 학점알고리즘: KNN Naive Bayes Logistic Regression Decision Tree Random F

입력 변수($x$)가 여러 개일 때 데이터를 어떻게 처리해야 하는지, 특히 행렬(Matrix)의 차원을 맞추는 법을 중점적으로 확인해보자입력 데이터(Feature)가 1개가 아니라 여러 개($x_1, x_2, ... x_n$)인 경우단순 회귀가 2차원 평면의 '직선'을

경사 하강법(Gradient Descent)은 손실 함수(Loss Function)의 기울기를 구하여, 기울기가 낮은 쪽으로 계속 이동시켜 극소값(최적의 파라미터)을 찾는 알고리즘이다.LinearRegression: 정규 방정식(OLS)을 사용해 한 번에 해를 구함 (

만약 우리가 예측해야 하는 것이 숫자가 아니라 "합격/불합격" 같은 범주일 때도 선형 회귀를 쓸 수 있을까? 대답은 No 그럼 어떻게 해야할까?공부 시간($x$)에 따른 합격 여부($y$)를 예측한다고 가정해 보자.합격 = 1불합격 = 0선형 회귀(Linear Regr

모델을 학습시킬 때, 가지고 있는 모든 데이터를 공부(학습)하는 데 써버리게 되면 모델이 이미 답을 외워버렸기 때문에 항상 정답을 말한다.but 처음 보는 새로운 데이터를 만나면 엉망이 됨.목적: 모델이 보지 못한 데이터에 대해 얼마나 잘 작동하는지(일반화 성능) 평가

예를 들어, '키(170cm)'와 '몸무게(65kg)'를 가지고 특성을 분석한다고 하자.키: 150 ~ 190 (범위가 큼)몸무게: 40 ~ 100 (상대적으로 범위가 작음)데이터의 단위(Scale) 차이가 크면, 숫자가 큰 특성(키)이 결과에 과도한 영향을 미치게 된

데이터 전처리(Preprocessing) 단계와 모델 학습(Modeling) 단계를 하나의 객체로 묶어서 순차적으로 실행해주는 기능코드 간소화: 여러 단계를 한 줄의 코드로 관리할 수 있다.오류 방지 (Data Leakage): 학습 데이터(Train)와 테스트 데이터

머신러닝 모델은 '글자'를 이해하지 못하기 때문에 문자로 된 범주형 데이터를 반드시 숫자로 변환해줘야 한다(Ex. "사과", "바나나" $\\rightarrow$ Error!)이 작업을 인코딩(Encoding)라고 하는데 대표적인 두 가지 방식을 알아보자. 🔠 $\\

수치형 데이터와 범주형 데이터가 섞인 간단한 예제범주형 데이터를 정수(0,1,2,..)로 변환한다."수치형 10, 범주형 A"인 데이터를 예측하고 싶다면?모델은 'A'를 모른다. 직접 숫자로 바꿔줘야 한다.$\\rightarrow$ 매번 예측할 때마다 encode.tr

Pipeline은 모든 데이터에 똑같은 전처리를 적용한다.그러나 실제 데이터셋에는 숫자(Scaling 필요)와 문자(Encoding 필요)가 섞여있기 때문에 복합적인 필요가 필요.문제점: Pipeline은 들어온 모든 데이터(x_data)에 일괄적으로 변환을 시도.

분류 모델 평가시 정확도 99%가 진정한 모델 성능이라고 할 수 있을까?암 환자 진단이나 불량품 검출처럼 데이터가 불균형한 경우, 정확도 외에 정밀도(Precision), 재현율(Recall), F1-Score를 반드시 확인해야 한다.모델이 예측한 값과 실제 정답이 얼

정확도, 정밀도, 재현율... 숫자 하나로만 모델을 평가하기엔 부족할 때가 있다.모델이 얼마나 엄걱하게(Threshold) 판정하느냐에 따라 성능이 달라지기 때문.모든 가능한 분류 임계값(Threshold)에 대해 모델의 성능을 시각화한 그래프ROC 곡선은 "맞춘 것(

로지스틱 회귀 : 이진분류(Binary Classification) 합격/불합격 같은 두가지 분류만 처리 가능.학점, 품종 같은 분류가 3개 이상인 경우 처리 방법로지스틱 회귀를 이용해 다중 분류를 해결하는 방법은 크게 두 가지가 있다.가장 직관적인 방법. 클래스가