모도리는 공부중

Decision Tree(결정트리) 직관적으로 이해하기 쉬운 알고리즘 데이터에 있는 규칙을 학습을 통해 자동으로 찾아냄 규칙은 예/아니오 로 대답할 수 있는 질문을 남김 매 / 펭귄 / 돌고래 / 곰을 나눠보자 Decision Tree(결정트리) 단점 결정트리는 수직적 구조로 인해 중간에 에러가 발생하면 다음 단계로 에러가 계속 전파 학습 데이터에 따라 생성되는 결정트리의 구조가 다르기 때문에 일반화하여 사용하기 어렵다. 결정트리는 과대적합을 막기 어렵다. Ensemble(앙상블) 앙상블(ensemble)은 여러 머신러닝 모델을 연결하여 더 강력한 모델을 만드는 기법 Decision Tree Ensemble(결정트리 앙상블) 개별 결정트리의 과대적합되는 단점을 보완하는 모델 다수결 법칙 또는 평균등으로 ..

아직 정리하지 못한 jsp & servlet는 일단 보류하고.. 오늘부터 새로운 파트! Cookie & Session Client가 Server로 요청하면 해당 Page를 Client에게 전송(응답)한 후 연결을 종료한다. 그렇기 때문에 우리는 웹페이지에서 개발자도구(F12)를 통해 편집이 가능하다. 바로 이렇게 ↓ 그럼 이렇게 연결이 끊기는데 우리가 로그인한 정보는 어떻게 이어지는걸까? Cookie & Session Client의 정보를 지속적으로 유지하기 위한 방법 client에 저장한다 → cookie server에 저장한다 → session 클라이언트에 저장되는 쿠키는 보안에 취약, 하지만 서버에 저장하는 세션은 보안이 강력하다. Cookie 전달할 데이터를 Web Browser(Client)로 ..

어제 수업에 이어서 - 규제 강화 (alpha) Lasso 일부특성 사용x Ridge 모든특성 사용 이러한 이유로 모든 특성을 사용하는 Ridge모델이 일반적으로 점수를 더 잘 내는 특징을 가지고 있다. # alpha = 1 ridge = Ridge(alpha = 1) ridge.fit(extend_X_train, y_train) print('train score : ',ridge.score(extend_X_train,y_train)) print('test score : ',ridge.score(extend_X_test,y_test)) # 사용한 특성의 개수 print('사용한 특성의 개수 : ',np.sum(ridge.coef_!=0)) out : train score : 0.91879276992388..

어제 수업한 파일에 이어서 수업 시작. 예측값 def h(w,x,b): return w * x + b 비용함수 평균제곱오차(MSE) def cost(data, target, weight, intercept): # MSE 구하기 # 시간, 점수, 가중치, 절편 y_pre = h(weight,data,intercept) # 예측값 # y_pre = weight * data + intercept return ((y_pre - target)**2).mean() # 평균제곱오차(MSE) # (예측 - 실제) ← 오차 # **는 제곱(^2)을 뜻함. mean()은 평균. # 기울기 10, 절편 0 cost(data['시간'],data['성적'],10,0) out : 0.0 # 기울기 12, 절편 5 cost(dat..

머신러닝 개념 복습 머신러닝 ?? 데이터를 이용하여 특성과 패턴을 학습하고 그 결과를 바탕으로 새로운 데이터에 대해 결과를 예측하는 것 통계 기반 데이터 분석(기존) vs 머신 러닝 기반 데이터 분석(현재) 통계 기반 : 분석하는 사람의 지식에 따라 결과가 크게 달라질 수 있다. 머신러닝 기반 : 사람 + 머신러닝 (상대적으로 사람의 능력이 떨어져도 분석이 가능) 머신러닝 방법 지도학습 : 문제와 답(label)을 함께 보여주고 학습하는 방법 회귀 : 정답 데이터가 수치형 데이터 (ex. 키, 몸무게, 부동산가격) 분류 : 정답 데이터가 범주형 데이터 (ex. 등급, 학점(ABCD)) 비지도학습 : 답이 없는 데이터를 가지고 패턴을 찾고 싶을 때 사용하는 방법 군집 : 비슷한 데이터를 묶어서 그룹별 패턴..