My Data Story

◈ '머신러닝 개요' 목차 ◈ 1. 머신러닝 시스템의 종류 학습하는 동안 감독의 형태에 따라 지도 학습, 비지도 학습, 준지도 학습으로 구분할 수 있다. 학습하는 방식에 따라 배치 학습, 온라인 학습으로 구분할 수 있다. 머신러닝 시스템이 일반화 되는 방식에 따라 사례 기반 학습, 모델 기반 학습으로 구분할 수 있다. 2. 머신러닝의 주요 도전 과제 1. 지도 학습과 비지도 학습 학습하는 동안의 감독 형태나 정보량에 따라 지도 학습과 비지도 학습으로 분류한다. 1.1 지도 학습 지도학습은 훈련 데이터에 레이블, 원하는 답이 포함되어 있다. 전형적인 지도 학습 작업은 분류와 회귀가 있다. cf. 일부 회귀 알고리즘은 분류에도 사용 가능 (로지스틱 회귀) K-최근접 이웃 K-Nearest Neighbors ..

◈ '서포프 벡터 머신' 목차 ◈ 1. K 최근접 이웃 (KNN) - KNN 개념에 대해 살펴보고, KNN 적용 시 고려해야 하는 사항을 알아보자. 1. KNN 개념 KNN 알고리즘의 아이디어는 아주 간단하다. step1 특징들이 가장 유사한 (즉 예측 변수들이 유사한) K개의 레코드를 찾는다. step2 분류 : 유사한 레코드들 중에 다수가 속한 클래스가 무엇인지 찾은 후에 새로운 레코드를 그 클래스에 할당한다. 예측 : 유사한 레코드들의 평균을 찾아서 새로운 레코드에 대한 예측값으로 사용한다. 분류 문제에서 KNN을 활용 할 경우 결과값을 클래스값 대신 클래스 추정 확률로 낼 수 있다. K개의 가장 가까운 점들이 속한 클래스의 비율을 각 클래스의 추정 확률로 정할 수 있다. 클래스 추정 확률을 사용하..