3-1

용어정리

• 분류: 샘플을 몇 개의 클래스 중 하나로 나누는 문제

• 회귀: 클래스 중 하나로 분류하는 것이 아니라 임의의 어떤 숫자를 예측하는 문제입니다.

• 결정계수(R^2): 회귀의 경우 값을 평가하는데 이용

  

  예측이 타겟이 가까워지면 잘된 것

• 과대적합: 훈련 세트에서 점수가 굉장히 좋았는데 테스트 세트에서 점수가 굉장히 나쁠 때 즉, 훈련 세트에만 잘 맞는 모델이라 테스트 세트와 나중에 실전에 투입하여 새로운 샘플에 대한 예측을 만들 때 동작하지 않는다

• 과소적합: 훈련 세트보다 테스트 세트의 점수가 높거나, 두 점수가 모두 너무 낮은 경우 즉, 모델이 너무 단순하여 훈련 세트에 적절히 훈련되지 않은 경우 → 모델을 복잡하게 만들자(ex: 훈련 세트, 테스트 세트 크기 키우기, knn에서 neighbors크기 작게 하기)

k-최근접 알고리즘

• 분류
  • 샘플에 가까운 샘플 k개를 선택
  • 이 샘플들의 클래스를 확인하여 다수 클래스를 새로운 샘플의 클래스로 예측
• 회귀
  • 샘플에 가까운 샘플 k개를 선택
  • 이웃한 샘플의 타깃은 어떤 클래스가 아니라 임이의 수치
  • 샘플의 수치를 사용해 타깃을 예측

Google Colaboratory

3-2

k-최근접 이웃의 한계

가장 가까운 샘프을 찾아 타깃을 평균 모델 선을 만드는 거 같지가 않음

용어 정리

• 선형 회귀: 어떤 직선을 학습하는 알고리즘
  • from sklearn.linear_model import LinearRegression
• 모델 파라미터: y = ax + b에서 머신러닝이 최적의 모델을 찾고 그 때 머신 러닝이 찾은 a와 b를 모델 파라미터라 함(이러한 머신러닝 학습을 모델 기반 학습이라함)