# sklearn

nomaday

# 그룹 스터디 시작! (4.19) 테스트를 통해 배정된 그룹 스터디 조가 처음 편성되었다. ZEP에서 첫 모임을 가지고 자기소개를 하고 그룹 스터디 방향과 의견을 이야기하는 자리였다. 어색한 기류가 있었지만 다들 똑같겠지 하는 마음으로 이야기했던 것 같다. 그러나

dalbong_97

사이킷런에서는 다양한 회귀, 분류 알고리즘을 제공하고 있다. 하나하나 차근차근 알아보도록 하자.

ashbrother

머신러닝 기본 정리

dalbong_97

머신러닝? ML(머신러닝)은 사용하는 데이터를 기반으로 학습 또는 성능 향상을 지원하는 시스템을 구축하는 데 초점을 맞추는 인공 지능(AI)의 하위 집합입니다.

rlawogks2468

MLP 란 여러 개의 퍼셉트론 뉴런을 여러 층으로 쌓은 다층신경망 구조입력층과 출력층 사이에 하나 이상의 은닉층을 가지고 있는 신경망이다.처음엔 퍼셉트론이라는 이진 분류기가 시작이었다.근데 이 퍼셉트론은 선형분류 밖에 하지 못했다.하지만 선형 분류로는 정확한 분류를 할

rlawogks2468

비선형분류모델로 많이 사용되는 분류기 중 하나이며 데이터에 대한 분류 이유를 설명할 수 있다는 특징을 가지고 있다. 동일한 데이터 셋에 대해 여러 개의 다른 구조의 트리 모델을 학습시킬 수 있다.의사결정나무 모델을 학습하는 알고리즘. (그리디한 알고리즘)그리디한 알고리

rlawogks2468

머신러닝에 사용되는 데이터는 그 값이 너무 크거나 작지 않고 적당한 범위 (-1에서 ~ 1사이)에 있어야 모델의 정확도가 높아진다고 알려져있다.값의 범위를 0 ~ 1로 변환시킨다ex) 결과 0 ~ 1로 변환 시킴 -> 중간에 큰 값이 있어도 균일하게 변환됨값의 볌위를

bandi12

SimpleImputer

gyeongmin_lee

회귀가 독립변수의 단항식이 아닌 2차, 3차 방정식과 같은 다항식으로 표현되는 것을 다항(Polynomial) 회귀라고 한다.한 가지 주의할 것은 다항 회귀를 비선형 회귀로 혼동하기 쉽지만, 다항 회귀는 선형 회귀라는 점이다.회귀에서 선형 회귀/비선형 회귀를 나누는 기

gyeongmin_lee

LinearRegression()예측값과 실제 값의 RSS를 최소화해 OLS(Ordinary Least Squares) 추정 방식으로 구현한 클래스입력 파라미터fit_intercept: 불린 값, intercept(절편) 값 계산 여부 지정 (default=True)n

gyeongmin_lee

📌 회귀 (Regression) ✅ 소개 데이터 값이 평균과 같은 일정한 값으로 돌아가려는 경향을 이용한 통계학 기법 여러 개의 독립변수와 한 개의 종속변수 간의 상관관계를 모델링하는 기법을 통칭 머신러닝 관점에서 보면 독립변수는 피처에 해당되며 종속변수는 결

gyeongmin_lee

개별적인 여러 알고리즘을 서로 결합해 예측 결과를 도출한다는 점에서 배깅(Bagging) 및 부스팅(Boosting)과 공통점을 가진다.하지만 가장 큰 차이점은 개별 알고리즘으로 예측한 데이터를 기반으로 다시 예측을 수행한다는 것이다.즉, 개별 알고리즘의 예측 결과 데

gyeongmin_lee

레이블이 불균형한 분포를 가진 데이터 세트를 학습시킬 때 예측 성능의 문제가 발생할 수 있다.이상 레이블을 가지는 데이터 건수는 매우 적기 때문에 제대로 다양한 유형을 학습하지 못하는 반면에 정상 레이블을 가지는 데이터 건수는 매우 많기 때문에 일방적으로 정상 레이블로

hyeongjun

머신러닝 중 사이킷런(sklearn)을 배우고 기본 예제를 실행해보았습니다.

gyeongmin_lee

XGBoost와 함께 부스팅 계열 알고리즘에서 가장 각광을 받고 있다.(1) 트리 분할 방식일반 GBM 계열: 균형 트리 분할 (Level Wise)최대한 균형 잡힌 트리를 유지하면서 분할하기 때문에 트리의 깊이가 최소화될 수 있다.균형 잡힌 트리를 생성하는 이유는 오

gyeongmin_lee

트리 기반의 앙상블 학습에서 가장 각광받고 있는 알고리즘 중 하나뛰어난 예측 성능GBM 대비 빠른 수행 시간: 병렬 학습 가능과적합 규제 (Regularization): 과적합 규제 기능 제공나무 가지치기 (Tree pruning): 더 이상 긍정 이득이 없는 분할 가

gyeongmin_lee

📌 GBM (Gradient Boosting Machine) ✅ 개요 부스팅: 여러 개의 약한 학습기를 순차적으로 학습, 예측하면서 잘못 예측한 데이터에 가중치 부여를 통해 오류를 개선해 나가면서 학습하는 방식 (1) AdaBoost 개별 약한 학습기에 각각 가

gyeongmin_lee

배깅의 대표적인 알고리즘앙상블 알고리즘 중 비교적 빠른 수행 속도를 가지고 있으며, 다양한 영역에서 높은 예측 성능을 보이고 있다.여러 개의 결정 트리 분류기가 전체 데이터에서 배깅 방식으로 각자의 데이터를 샘플링해 개별적으로 학습을 수행한 뒤 최종적으로 모든 분류기가

gyeongmin_lee

여러 개의 분류기(Classifier)를 생성하고 그 예측을 결합함으로써 보다 정확한 최종 예측을 도출하는 기법다양한 분류기의 예측 결과를 결합함으로써 단일 분류기보다 신뢰성이 높은 예측값을 얻는 것이 목표대부분의 정형 데이터 분류 시에는 앙상블이 뛰어난 성능을 나타내

eunsu9991

scikit-learn 특징 다양한 머신러닝 알고리즘을 구현한 파이썬 라이브러리 심플하고 일관성 있는 API, 유용한 온라인 문서, 풍부한 예제 머신러닝을 위한 쉽고 효율적인 개발 라이브러리 제공 다양한 머신러닝 관련 알고리즘과 개발을 위한 프레임워크와 API 제공 많