# machine learning
Overfitting(과적합)이란
Machine learning을 공부하다 보면 overfitting이란 용어를 굉장히 자주 접하게 된다. 이 포스트에서는 overfitting이 무엇인지 알아보고 overfitting을 어떻게 줄일 수 있는지 소개하겠다.
분류모델의 검증
1. 정확도 (Accuracy) 2. 정밀도 (Precision) 3. 재현율 (Recall) 4. F beta score 5. 임계값 (Threshold) 6. ROC Curve, AUC
랜덤 포레스트 (Random Forest)
랜덤 포레스트는 결정트리의 과적합의 단점을 회피할 수 있는 방법이다.기본적인 구조는 조금씩 다른 여러 결정 트리의 묶음이다.랜덤 포레스트는 각 트리는 비교적 예측을 잘 할 수 있지만 일부 데이터에 과대적합하는 경향을 가진다는데 기초한다.서로 다른 방향으로 과대적합된 트
결정트리 (Decision Tree)
결정트리는 결정에 다다르기 위해 예 / 아니오 질문을 이어나가면서 학습한다.이 질문은 스무고개 놀이의 질문과 비슷하다.위 그림에서 트리의 노드는 질문이나 정답을 담은 네모 상자다.마지막 노드는 리프(leaf)라고도 한다.질문이나 말단의 정답을 노드(node)노드를 연결
[ML][Automation]보안문자(Captcha) 우회하기
1. Captcha란 > CAPTCHA(Completely Automated Public Turing test to tell Computers and Humans Apart / CAPTured CHAracter)는 사용자가 컴퓨터인지 사람인지 판별하기 위한 튜링테스트이
다중 선형 회귀 (Multiple Linear Regression)
단순선형회귀의 목적은 하나의 독립변수를 가지고 종속변수를 예측하기 위한 회귀모델을 만드는 것이었다면, 다중선형회귀는 n개의 독립변수를 가지고 종속변수를 예측하기 위한 회귀모델을 만드는 것이다.$$Y_i = \\beta + \\alpha_1x_1 + \\alpha_2x_
코드스테이츠 AI 부트캠프 27일차
머신러닝모델을 만들 때 학습과 테스트 데이터를 분리 해야 하는 이유다중선형회귀과적합/과소적합을 일반화 관점에서 설명편향/분산의 트레이트오프 개념을 이해하고 일반화 관점에서 설명예측 모델을 만들기 전에 간단하게 최소한의 성능을 나타내는 기준이 되는 모델관찰된 연속형 변수
단순 선형 회귀 (Simple Linear Regression)
예측 모델을 구체적으로 만들기 전에 가장 간단하면서 직관적이고, 최소한의 성능을 나타내는 기준이 되는 모델분류문제 : 타겟의 최빈 클래스회귀문제 : 타겟의 평균값시계열회귀문제 : 이전 타임스탬프의 값산점도에 가장 잘 맞는(best fit) 직선을 그려주면 그것이 선형
코드스테이츠 AI 부트캠프 26일차
선형회귀모델지도학습(Supervised Learning)회귀모델에 기준모델을 설정Scikit-learn을 이용해 선형 회귀 모델을 만들어 사용하고 해석
k - 최근접 이웃 알고리즘(2) - test/train set
앞서 우리가 짠 머신러닝(k - 최근접 이웃 알고리즘 -1-)에는 문제점이 있다. 도미 35마리와 14마리를 학습시켜 모델을 만들고 학습시킨 데이터를 가지고 kn.score()를 통해 모델을 테스트 하였기 때문에 정확하다고 말할 수 없다. 그렇다면 어떻게 해야 할까?
k - 최근접 이웃 알고리즘 -1-
어떤 데이터에 대한 답을 구할 때 주위의 다른 데이터를 보고 다수를 차지하는 것을 정답으로 사용한다. 즉, 초록색 세모와 거리가 가까운 주위의 데이터는 파란색 = 도미 이므로 따라서 초록색 세모는 도미로 예측하는 것이다. k-최근접 이웃 알고리즘(knn)
[Computer Vision] Super Light FSRCNN
Computer Vision 분야 중 하나인 Super Resolution에서 기존 FSRCNN과 FSRCNN-s 모델을 설명하고, 더욱 경량화된 FSRCNN-x 모델을 제안함