코린의 도이의 코딩 공부

머신러닝(Machine Learning) 컴퓨터가 데이터를 통해 유의미한 패턴과 통계적인 함수를 발견하여 행동의 지침이 되는 지식(예측, 분류, 회귀, 추천 등)을 얻어내는 행위 1. 머신러닝 알고리즘의 범주 1-1. 회귀 의미: 입력데이터를 바탕으로 원하는 타겟변수의 미래결과 예측 활용예시 금융분야: 주식시장 예측, 환율예측, 상품 risk예측 등 CRM: 백화점 수요예측, 가격견적, 광고입찰, 고객의 쿠폰반응 예측 등 1-2. 분류 의미: 입력데이터를 바탕으로 개별 데이터의 부류(Class)를 예측하거나 계급 결정 활용예시 스팸 필터링 신용카드 사기탐지 VIP 고객 여부 분석 제조 결함 탐지 약물 효능 검사 1-3. 추천 의미: 고객이 선호하는 상품 혹은 그 대안 예측 활용예시 홈쇼핑의 상품 추천 넷..

1. 결정 트리(Decision Tree) 데이터 마이닝에서 일반적으로 사용되는 방법론으로, 몇몇 입력 변수를 바탕으로 목표 변수의 값을 예측하는 모델을 생성하는 것을 목표로 한다. 아래 그림은 그러한 예측 모델의 한 예를 나타내고 있다. 그림의 트리 구조에서, 각 내부 노드들은 하나의 입력 변수에, 자녀 노드들로 이어지는 가지들은 입력 변수의 가능한 값에 대응된다. 잎 노드는 각 입력 변수들이 루트 노드로부터 잎 노드로 이어지는 경로에 해당되는 값들을 가질 때의 목표 변수 값에 해당된다. 2. 랜덤 포레스트(Random Forest) 분류, 회귀 분석 등에 사용되는 앙상블 학습 방법의 일종으로, 훈련 과정에서 구성한 다수의 결정 트리로부터 부류(분류) 또는 평균 예측치(회귀 분석)를 출력함으로써 동작한..

1. 선형회귀(Linear Regression) 다음과 같은 선형 함수 y=Wx + b를 이용해서 회귀(Regression)를 수행하는 모델을 뜻한다. 이때 x,y는 가지고 있는 데이터이고, w와 b는 데이터에 적합한 값으로 학습될 수 있는 파라미터(Parameter)이다. 2. 손실 함수(Loss Function) - MSE 머신 러닝 모델을 학습시키기 위해서는 적절한 파라미터값을 알아내기 위해서 현재 파라미터값이 우리가 풀고자 하는 목적에 적합한 값인지를 측정할 수 있어야 한다. 이를 위해 손실 함수 J(θ)를 정의한다. 손실 함수는 여러가지 형태로 정의될 수 있다. 그 중 가장 대표적인 손실 함수 중 하나는 평균제곱오차(Meanof Squared Error(MSE))이다. MSE는 아래과 같은 수식..

머신러닝(Machine Learning) 명시적인 프로그래밍 없이 데이터를 이용해서 예측 또는 분류를 수행하는 알고리즘을 구현하는 기법 한국말로 기계학습이라고도 부름 1. 머신러닝(Machine Learning)이 필요한 이유 머신러닝 방법론을 이용할 경우, 인간이 정확히 하나하나 로직을 지정해주기 어려운 복잡한 문제를 데이터에 기반한 학습을 통해서 해결할 수 있다. ex. 어떤 사용자에게 어떤 광고를 보여주는 것이 최적의 광고 배분 전략일까? 머신러닝 알고리즘을 사용할 때 가장 중요한 부분은 머신러닝 모델이 잘 학습할 수 있도록 적절한 특징(Feature)을 설정해주는 것이다. 2. 예측 모델(Prediction Model)의 필요성 데이터 분석을 통한 정교한 예측 모델(Prediction Model)..