지도 학습
- 명시적인 정답이 있는 데이터가 주어진 상태에서 학습하는 머신러닝 방식
- 학습 데이터로 주어진 데이터의 피처와 레이블 값 (결정 값, 클래스 값)을 머신러닝 알고리즘으로 학습
- 모델 생성, 생성된 모델에 새로운 데이터 값이 주어졌을 때 미지의 레이블 값을 예측하는 것
분류의 알고리즘
- 나이브 베이즈
- 베이즈 통계와 생성 모델에 기반
- 로지스틱 회귀
- 독립변수와 종속변수의 선형 관계성 기반
- 결정 트리
- 데이터 균일도에 따른 규칙 기반
- 서포트 벡터 머신
- 개별 클래스 간의 최대 분류 마진을 효과적으로 찾아주는 역할
- 최소 근접 (Nearest Neighbor)
- 근접 거리를 기반 (KNN으로 많이 사용)
- 신경망
- 심층 연결 기반
- 앙상블
- 서로 다른(or 같은) 머신러닝 알고리즘 결합
앙상블 기법
- 분류에서 가장 각광을 받는 분야 중 하나
- 정형 데이터의 예측 분석 영역에서는 매우 높은 예측 성능 자랑
앙상블 분류
- 배깅
- 랜덤 포레스트가 대표적
- 부스팅: Gradient Boosting, XGBoost, LightGBM 등이 대표적
- 기존보다 수행성능을 높이면서 수행시간은 단축시키는 알고리즘이 계속 등장
- 부스팅
- Gradient Boosting, XGBoost, LightGBM 등이 대표적
- 기존보다 수행성능을 높이면서 수행시간은 단축시키는 알고리즘
생(계를 위한) 개발자