학습 목표
- 사이킷런을 통해 머신러닝 모델을 만드는 전체 과정을 이해한다.
핵심 키워드
- 분류
- 회귀
- 언더피팅(과소적합)/오버피팅(과적합, 과대적합)
- 그리드서치, 랜덤서치
- 평가
학습하기
5.3.1 사이킷런으로 머신러닝 모델 만들기 전체 과정 정리
학습내용
- 지금까지 실습에서는 분류와 회귀를 다뤘습니다.
머신러닝은 크게 지도학습과 비지도학습으로 나뉘는데 실습에서 다룬 내용은 지도학습에 해당됩니다.
- 머신러닝을 통해 분류와 회귀의 전체적인 프로세스를 실습해 보았습니다.
데이터로드 > 전처리와 피처엔지니어링 > 모델링 > 예측 > 평가하기 의 과정으로 실습을 했습니다.
- 트리계열의 알고리즘은 분류, 회귀에 모두 사용할 수 있습니다.
이런 알고리즘을 CART(Classification And Regression Tree) 알고리즘 이라고 부릅니다.
- 학습 > 예측 > 평가 과정
- 데이터를 가져와서 모델에 넣어주고 머신러닝 모델은 기출문제를 풀어보는 것 처럼 문제와 정답을 보고 학습을 합니다.
학습한 모델을 바탕으로 새로운 데이터가 들어왔을 때 값을 예측하게 됩니다.
그리고 머신러닝 모델이 예측을 잘 했는지 평가하게 됩니다.
- 언더피팅(과소적합)과 오버피팅(과적합)
- 머신러닝 모델을 만들 때 학습모델에 오버피팅이 되면 예측의 정확도가 떨어지게 됩니다.
그래서 적절한 지점을 찾아주어야 예측의 성능을 높일 수가 있습니다.
여기에서의 적절한 지점을 찾기 위해 우리는 그리드서치와 랜덤서치를 사용했습니다.
- 그리드서치와 랜덤서치
- 그리드서치를 사용하면 격자안에 있는 값만 찾을 수가 있습니다.
하지만 랜덤서치를 사용하게 되면 격자 안에 있는 최적의 파라메터 값을 찾을 수 있는데 여러 번 시도를 해볼 수록 좋은 값을 찾을 수 있습니다.
- [부스트코스] 머신러닝을 위한 Python
https://www.edwith.org
- 다음 강좌로 [부스트코스] 머신러닝을 위한 Python 을 추천합니다.
현재 수강하고 계신 강좌는 머신러닝의 흐름 전반을 다루고 난이도가 조금 더 쉬운 편이며,
알고리즘의 원리에 대해 자세히 다루기 보다는 "도구"로써 학습하였습니다.
[부스트코스] 머신러닝을 위한 Python 을 들으면 좀 더 심화된 내용을 이해하는데 도움이 될 것 같습니다.