Machine Learning Python

지도 학습(Supervised Learning)

데이터에 대한 Label(명시적인 답)이 주어진 상태에서 학습시키는 방법

• 분류(Classification)

  • 미리 정의된 여러 클래스 레이블 중 하나를 예측하는 것
  • 속성 값을 입력, 클래스 값을 출력으로 하는 모델
  • 암 양성 음성 중 하나로 분류, 붓꽃(iris)의 세 품종 중 하나로 분류, 생존, 사망 등 크고 작음의 의미가 없음
  • 이진 분류, 다중 분류

• 회귀(Regression)

  • 연속적인 숫자를 예측하는 것
  • 속성 값을 입력, 연속적인 실수 값을 출력으로 하는 모델
  • 어떤 사람의 교육수준, 나이, 주거지를 바탕으로 연간 소득 예측 등
  • 크고 작음의 크기가 의미가 있음
  • 예측 값의 미묘한 차이가 크게 중요하지 않음

비지도 학습(Unsupervised Learning)

데이터에 대한 Label(명시적인 답)이 없는 상태에서 학습시키는 방법

• 데이터의 숨겨진 특징, 구조, 패턴 등 데이터의 성격을 파악하는 데 사용
• 클러스터링(Clustering), 차원축소(Dimensionality) Reduction) 등

강화 학습(Reinforcement Learning)

• 지도학습과 비슷하지만 완전한 답(Label)을 제공하지 않음
• 기계는 더 많은 보상을 얻을 수 있는 방향으로 행동을 학습
• 주로 게임이나 로봇을 학습시키는데 많이 사용

머신러닝 과정

1. Problem Identification(문제정의)
2. Data Collect(데이터 수집)
3. Data Preprocessing(데이터 전처리)
4. EDA(탐색적 데이터분석)
5. Model 선택, Hyper Parameter 조정
6. Training(학습)
7. Evaluation(평가)

데이터 수집

• File(CSV, XML, JSON)
• Database
• Web Crawler(뉴스, SNS, 블로그)
• IOT 센서를 통한 수집
• Survey

데이터 전처리

• 결측치, 이상치 처리
• Feature Engineering(특성 공학): Scaling(단위 변환), Encoding(범주형 -> 수치형), Binning(수치형 -> 범주형), Transform(새로운 속성 추출)

Model 선택, Hyper Parameter 조정

• 목적에 맞는 적절한 모델 선택
• KNN, SVM, Linear Regression, Ridge, Lasso,

__