반응형 전체 글79 (10/19~20일) 머신러닝 모델 검증 및 평가 이번 수업에서는 머신러닝 모델의 성능을 평가하고, 교차검증과 GridSearchCV를 활용해 모델을 개선하는 방법을 학습했다. 단순히 정확도가 높은 모델보다 실제 상황에서 믿고 사용할 수 있는 모델을 선택하는 것이 중요하다는 점을 이해했다.1. 혼동행렬(Confusion Matrix)분류 모델의 예측 결과는 네 가지로 구분된다.구분의미TP실제 양성을 양성으로 예측TN실제 음성을 음성으로 예측FP실제 음성을 양성으로 잘못 예측FN실제 양성을 음성으로 잘못 예측2. Accuracy, Recall, Precision, F1 Score정확도(Accuracy)가 높다고 반드시 좋은 모델은 아니다. 예를 들어 정상인 95명과 암 환자 5명이 있는 데이터에서 모든 사람을 정상이라고 예측하면 정확도는 95%지만, 암 .. 2026. 10. 21. [6주차 회고] AI 데이터분석 캠프 (10/12 ~ 10/16) [6주차 회고] AI 데이터분석 캠프 (10/12 ~ 10/16)이번 주는 머신러닝 모델을 단순히 사용하는 것을 넘어, 알고리즘이 어떤 원리로 예측하고 서로 어떤 차이가 있는지 이해하는 데 집중한 한 주였다.XGBoost와 Boosting, Stacking, PCA, AutoML, 그리고 비지도학습과 K-Means까지 다양한 개념을 학습했다. 특히 분류와 회귀 실습을 직접 진행하면서 모델을 학습시키는 것만큼이나 평가 지표를 정확히 이해하는 것이 중요하다는 점을 느꼈다.1. 이번 주 학습 키워드1.1. XGBoost와 Boosting1.2. Residual(잔차)1.3. Stacking과 Meta Model1.4. Lasso, Ridge, Regularization1.5. PCA와 Principal Com.. 2026. 10. 16. (10/15일) 고객이탈 자료_종합 복습 오늘은 통신 고객 데이터를 활용해 고객 이탈 여부를 분석하는 전체 과정을 복습했습니다. 데이터 구조 확인부터 결측값 처리, EDA와 시각화, 범주형 데이터 인코딩, 학습용 데이터 구성, 머신러닝 모델 학습과 평가까지 순서대로 정리합니다.오늘의 학습 흐름데이터 확인 → 결측값 처리 → EDA → 범주형 데이터 인코딩 → X와 y 분리 → 모델 생성 → 학습 → 예측 → 정확도 평가1. 데이터 구조 확인: df.info()df.info()는 데이터프레임의 전체 행과 열, 컬럼명, 각 컬럼의 데이터 타입, 결측값이 아닌 데이터의 개수 등을 확인하는 기능입니다.고객 이탈 분석을 시작할 때 먼저 데이터가 어떤 구조로 되어 있는지 확인합니다. 특히 숫자로 처리해야 할 컬럼이 문자형으로 읽히지는 않았는지, 일부 컬럼.. 2026. 10. 15. (10/14일) 머신러닝 학습 정리 앙상블·XGBoost·스태킹·선형 회귀 규제 이번 학습에서는 여러 머신러닝 모델을 결합하는 앙상블 학습, 분류와 회귀, XGBoost, 스태킹, 선형 회귀와 규제 기법을 공부했습니다. 당뇨병 건강 지표 데이터의 탐색적 분석과 시각화 개념도 함께 정리합니다.1. 앙상블 학습(Ensemble Learning)앙상블 학습은 여러 머신러닝 모델의 예측을 결합해 하나의 모델만 사용할 때보다 예측의 안정성이나 일반화 성능을 높이려는 방법입니다.종류정의핵심 기억Random Forest여러 의사결정나무를 학습시키고 각 나무의 예측을 결합하는 방법여러 나무의 예측 결합Boosting모델을 순차적으로 학습하며 이전 단계의 오차를 보완하도록 개선하는 방법순차적 성능 개선Stacking여러 기본 모델의 예측 결과를 새로운 모델의 입력으로 사용하는 방법모델 예측을 다시 .. 2026. 10. 14. [5주차 회고] 머신러닝 기초부터 로지스틱 회귀까지 SK네트웍스 AI캠프 5주차에는 머신러닝의 기본 개념부터데이터 전처리, 선형회귀, 로지스틱 회귀까지 학습하였다.특히 보스톤 집값 예측과타이타닉 생존 여부 예측 실습을 통해회귀 문제와 분류 문제의 차이를 직접 경험할 수 있었다.이번 주에는 단순히 머신러닝 알고리즘의 이름을 외우는 것보다데이터 → 전처리 → 학습 → 예측 → 평가라는전체적인 흐름을 이해하는 데 집중하였다.1. 보스톤 집값 예측 실습보스톤 집값 데이터셋을 활용하여선형회귀(Linear Regression) 모델을 학습하였다.데이터는 총 506개의 행과 14개의 컬럼으로 구성되어 있었으며,집값(MEDV)을 예측하기 위해 범죄율(CRIM),평균 방 개수(RM), 지역 특성 등의 다양한 독립변수를 사용하였다.실습 과정학습 데이터(X)와 정답 데이터(.. 2026. 10. 8. (10/8일자) 머신러닝 학습 -1 오늘은 머신러닝의 가장 기본이 되는 선형회귀(Linear Regression)와보스턴 집값 예측 실습을 진행하였다.또한 오차 평가 방법(MAE, MSE, RMSE), 데이터 전처리,다중선형회귀, 정규화(Regularization), 로지스틱 회귀(Logistic Regression)의개념까지 학습하였다.1. 머신러닝과 지도학습머신러닝은 데이터를 이용하여 패턴을 학습하고 새로운 데이터에 대한 결과를예측하는 기술이다.회귀(Regression) : 연속적인 숫자 예측분류(Classification) : 범주 예측오늘 학습의 중심은 회귀 문제였으며, 대표적인 예제로 보스턴 집값 예측을 수행하였다.2. 선형회귀(Linear Regression)선형회귀는 데이터의 특성과 결과의 관계를 직선으로 표현하는 모델이다.y.. 2026. 10. 8. 이전 1 2 3 4 ··· 14 다음 반응형
