ML

p_score는 label이 0일 확률입니다. 1\. p_score가 0.5보다 작으면(미만) 1, 크면 0으로 만드세요 2\. numpy, pandas, sklearn을 활용하여 accuracy, precision, recall, f1, weighted-f1을 구

사이킷런으로 회귀분석 진행 및 평가회귀 평가 지표 직접 계산 - mse, mae, r2 score딥러닝 모델 만들어 회귀분석 진행 및 평가

과거의 정보를 순차적으로 처리.새로운 입력이 들어올 때마다 이전 단계의 정보를 기억하려고 함. 단점: 순차적 처리라 병렬 처리가 어려움.긴 시퀀스에서는 정보가 점차 희석되는 문제(장기 의존성 문제) 발생.self-attention 메커니즘을 사용 -> 위 rnn의 문제

여러 개의 예측 모델을 결합하여 강력한 모델 구축배깅(Bagging)과 부스팅(Boosting)은 앙상블 기법의 한 형태개별 모델의 약점 보완 및 일반화 성능 향상에 활용랜덤 포레스트(Random Forest) 등이 대표적인 앙상블 모델동일 알고리즘으로 부트스트랩 샘플

그리드 서치(Grid Search)란?머신러닝 모델의 최적 하이퍼파라미터 조합을 찾기 위한 기법하이퍼파라미터: 모델 학습 과정에서 직접 학습되지 않고 사용자가 수동으로 설정해야 하는 값들하이퍼파라미터 그리드 생성최적화하고자 하는 하이퍼파라미터와 탐색할 값들의 범위 지정

강화 학습에서 에이전트가 환경을 탐색할 때, 최적의 행동만을 선택하는 것이 아니라 가끔은 무작위로 행동을 선택해야 할 때가 있다. 이러한 탐험과 활용의 균형을 잡아주는 방법 중 하나가 바로 엡실론-그리디(Epsilon-Greedy) 정책이다.탐험$\\epsilon$ (

모델-프리(model-free) 알고리즘: 환경에 대한 사전 지식 없이도 최적 정책을 학습할 수 있다.이산적인 상태와 행동 공간에 적합: 연속적인 상태나 행동 공간을 가진 문제에는 적용이 어려울 수 있다.Environment에 대해 모르며 Action에 따른 Next