(머신러닝)머신러닝 알고리즘 기초

선형 회귀(linear Regression)

구분 - 지도학습
유형 - 회귀
적합한 데이터 유형 - 종속변수와 독립변수가 선형 관계에 있는 데이터

특징

• 복잡한 알고리즘에 비해서는 예측력이 떨어지지만 데이터 특성이 복잡하지 않을 때는 쉽고 빠른 예측이 가능, 다른 모델과 성능 비교를 위해 베이스라인으로 사용

로지스틱 회귀(logistic Regression)

구분 - 지도학습
유형 - 분류
적합한 데이터 유형 - 종속 변수와 독립변수가 선형 관계에 있는 데이터

특징

• 선형 회귀 분석과 마찬가지로 기본적인 알고리즘
• 실제 이진분류가 필요한 상황이 많기 때문에 두가지 범주를 구분하는 간단한 예측에 유용하며 딥러닝에서도 적용되는 기본적인 지식

k-최근접 이웃(KNN)

구분 - 지도학습
유형 - 회귀 / 분류
적합한 데이터 유형 - 아웃라이어가 적은 데이터

특징

• 다중 분류 문제에 가장 간편히 적용할 수 있는 알고리즘
• 데이터가 크지 않고 예측이 까다롭지 않은 상황에서 KNN을 사용하면 신속하고 쉽게 예측 가능
• 베이스 라인 모델 활용

나이브 베이즈(naive Bayes)

구분 - 지도학습
유형 - 분류
적합한 데이터 유형 - 독립변수의 종류가 매우 많은 경우

특징

• 범용성이 높지는 않지만 독립변수들이 모두 독립적일 때 경쟁력 있는 알고리즘
• 딥러닝을 제외한 자연어 처리에 가장 적합한 알고리즘
• 일반적으로 사용하기 힘들지만 특수한 상황에 유용

결정 트리(Descision tree)

구분 - 지도학습
유형 - 회귀/분류
적합한 데이터 유형 - 일반적인 데이터

특징

• 예측력과 성능이 뛰어나지는 않지만 시각화가 매우 뛰어남
• 다른 트리 기반 모델에 기본이 되는 알고리즘

랜덤 포레스트(Random forest)

구분 - 지도학습
유형 - 회귀/분류
적합한 데이터 유형 - 일반적인 데이터

특징

• 앙상블 기법을 사용한 트리 기반 모델중 가장 보편적인 방법
• 부스팅 모델에 비하면 예측력이나 속도에서 부족한 부분이 있지만 기본이 되는 모델

XG부스트(XGBoost)

구분 - 지도학습
유형 - 회귀/ 분류
적합한 데이터 유형 - 일반적인 데이터

특징

• 대중적으로 많이 사용되는 검증된 부스팅 모델(캐글)
• 인기있는 모델로 참고 자료가 많음

LightGBM

구분 - 지도학습
유형 - 회귀/ 분류
적합한 데이터 유형 - 일반적인 데이터

특징

• 정형데이터에서 좋은 성능을 보여주는 부스팅 알고리즘
• 속도가 빠르고 예측성능이 뛰어나 많이 이용됨

K-평균 군집화(K MEANS Clustering)

구분 - 비지도학습

특징

• 많은 데이터를 사용할 때 특징을 살펴볼수 있음
• 데이터를 적절한 수의 그룹으로 나누고 분석할 수 있음
• 여러 클러스터링 기법중 보편적이고 무난하게 사용

주성분 분석(PCA)

구분 - 비지도 학습

특징

• PCA는 차원 축소 기법중 가장 인기있고 구현하기 쉬운 편에 속하는 알고리즘

---

참고 자료

출처 - 데싸노트의 실전에서 통하는 머신러닝, 권시현