본문 바로가기

핸즈온 머신러닝3

핸즈온 머신러닝 9장. 비지도 학습 스터디를 진행하다보니 벌써 핸즈온 머신러닝 1권에서 머신러닝 파트의 마지막 내용이다이번 장은 9장 비지도 학습으로 기존에 작성했던 내용들처럼 비지도 학습이 어떤 것이고 어떠한 방법들이 있는지, 각각의 방법에 대해 깊은 이론과 코드 보다는 이론을 주로 다룰 것이다책의 내용만을 그대로 옮기는 것이 아닌, 발표를 위해 준비하고 만든 자료들과 정리한 내용들을 이용해 비지도 학습에 대해 정리해보았다개별적인 방법에 대한 깊은 내용은 실무나 챌린지 등에서 사용한 경험이 있을 경우 따로 추가적인 정리를 해보려한다 1. 비지도 학습의 개요 1-1. 비지도 학습 개념 비지도 학습이 무엇일까? 우리가 지금까지 사용해온 데이터들은 전부 정답이 존재한 데이터들이다문제와 정답을 모두 알려주고 학습을 시키는 '지도학습'을 해.. 2025. 1. 22.

핸즈온 머신러닝 8장. 차원 축소 Intro 많은 머신러닝 문제의 데이터셋은 수천에서 많게는 수백만 개의 특성을 가진다이렇게 너무 많은 특성은 훈련을 느리게 하고 모델의 성능을 떨어뜨리기도 한다. 이런 문제를 차원의 저주라 부른다이런 문제들은 특성 수를 크게 줄여서 불가능한 문제를 가능한 범위로 변경할 수 있는 경우가 존재한다ex) MNIST 이미지. 이미지 경계의 픽셀은 거의 흰색이므로 제거해도 많은 정보를 잃지 않음. 또는 인접한 두 픽셀들은 서로 연관성이 크기 때문에 평균을 내어 하나의 픽셀로 합치는 것도 좋은 방법차원을 축소시키면 일부 정보가 손실이 되지만 그만큼 훈련 속도가 빨라질 수 있다따라서 차원 축소를 하기 전에 원본으로 먼저 학습 및 테스트해보는 것도 좋다. 때로는 차원 축소를 통해 노이즈나 불필요한 데이터를 필터링하여 .. 2025. 1. 9.

핸즈온 머신러닝 6장. 결정 트리 Intro결정 트리는 분류와 회귀에 두루두루 쓰이며 매우 복잡한 데이터셋도 학습할 수 있는 성능이 뛰어난 알고리즘이다또한, 현재도 자주 사용되는 좋은 알고리즘인 랜덤 포레스트의 기본 구성 요소이기도 하다이번 챕터에서는 결정 트리의 훈련, 시각화, 예측 방법을 살펴보고 트리에 규제를 주는 법, 회귀 문제에 적용하는 방법 등을 볼 것이다 1. 결정 트리 기본 개념 및 시각화 1-1. 결정 트리 시각화 위의 사진은 결정 트리의 개념을 간단하게 표현한 그래프이다결정 트리를 설명할 때, 스무고개에 많이 비교한다. 입력된 하나의 데이터가 어떤 정답을 가지고 있는지 여러 개의 질문을 던져 예/아니오를 반복하면서 학습 및 예측하는 것이다그림의 예시를 보자면 매, 펭귄, 돌고래, 곰 4개의 동물을 3개의 질문을 통.. 2024. 9. 23.

이전 1 다음

티스토리툴바