[Machine Learning with Python Cookbook] ch11. Evaluation of Model
Summary Code Summary 모델은 예측 성능이 높아야 유용하므로 근본적인 목적은 고품질의 모델을 만드는 것입니다. 따라서 알고리즘이 만들 모델의 평가 방법에 대해 알아보겠습니다. * 교차검증 모델 만들기...
View MoreSummary Code Summary 모델은 예측 성능이 높아야 유용하므로 근본적인 목적은 고품질의 모델을 만드는 것입니다. 따라서 알고리즘이 만들 모델의 평가 방법에 대해 알아보겠습니다. * 교차검증 모델 만들기...
View MoreSummary Code Summary 특성 선택(feature selection)은 고품질의 정보가 많은 특성은 선택하고 덜 유용한 특성은 버리는 방식입니다. 방식에는 필터, 래퍼, 임베디드 세 가지가 있습니다. 필터 ...
View MoreSummary Code Summary 차원 축소를 위한 특성 추출(feature extraction)의 목적은 특성에 내재된 정보는 많이 유지하면서 특성 집합 hooriginal을 새로운 집합 $ ho_...
View MoreSummary Code Summary 범주형 데이터를 머신러닝에 알맞은 특성으로 변환하는 다양한 전략을 소개합니다. * 범주형 데이터 인코딩 - 순서가 없는 범주형 특성 인코딩: sklearn의 Lab...
View MoreSummary Code Summary 정량적 데이터를 머신러닝에 알맞은 특성으로 변환하는 다양한 전략을 소개합니다. * 특성 스케일 바꾸기 (4.1) - 특성 배열의 scale 조정: sklearn의 ...
View MoreSummary Code Summary Data wrangling은 원본 데이터를 정제하고 사용 가능한 형태로 구성하기 위한 변환 과정을 광범위하게 의미하는 비공식적인 용어입니다. 사용하는 가장 일반적인 구조는 데이터프레임입니다....
View MoreSummary Code Summary 머신러닝 작업의 첫 번째 단계는 데이터를 불러오는 것입니다. CSV 파일, SQL 데이터베이스 같은 다양한 소스에서 데이터를 적재하는 방법을 알아봅니다. pandas 라이브러리의 다양한 도구를 사용합...
View MoreSummary Code Summary 머신러닝 데이터를 다루기 위한 기본 도구인 벡터, 행렬, 배열을 알아봅니다. * 벡터 - 1차원 배열로 만듭니다. (1.1) * 행렬 - num...
View More