close
더북(TheBook)
search
머신 러닝 교과서 with 파이썬, 사이킷런, 텐서플로(개정 3판)
더북(TheBook)
home
Home
3장 사이킷런을 타고 떠나는 머신 러닝 분류 모델 투어
3.1 분류 알고리즘 선택
3.2 사이킷런 첫걸음: 퍼셉트론 훈련
3.3 로지스틱 회귀를 사용한 클래스 확률 모델링
3.3.1 로지스틱 회귀의 이해와 조건부 확률
3.3.2 로지스틱 비용 함수의 가중치 학습
3.3.3 아달린 구현을 로지스틱 회귀 알고리즘으로 변경
3.3.4 사이킷런을 사용하여 로지스틱 회귀 모델 훈련
3.3.5 규제를 사용하여 과대적합 피하기
3.4 서포트 벡터 머신을 사용한 최대 마진 분류
3.4.1 최대 마진
3.4.2 슬랙 변수를 사용하여 비선형 분류 문제 다루기
3.4.3 사이킷런의 다른 구현
3.5 커널 SVM을 사용하여 비선형 문제 풀기
3.5.1 선형적으로 구분되지 않는 데이터를 위한 커널 방법
3.5.2 커널 기법을 사용하여 고차원 공간에서 분할 초평면 찾기
3.6 결정 트리 학습
3.6.1 정보 이득 최대화: 자원을 최대로 활용
3.6.2 결정 트리 만들기
3.6.3 랜덤 포레스트로 여러 개의 결정 트리 연결
3.7 k-최근접 이웃: 게으른 학습 알고리즘
3.8 요약
4장 좋은 훈련 데이터셋 만들기: 데이터 전처리
4.1 누락된 데이터 다루기
4.1.1 테이블 형태 데이터에서 누락된 값 식별
4.1.2 누락된 값이 있는 훈련 샘플이나 특성 제외
4.1.3 누락된 값 대체
4.1.4 사이킷런 추정기 API 익히기
4.2 범주형 데이터 다루기
4.2.1 순서가 있는 특성 매핑
4.2.2 클래스 레이블 인코딩
4.2.3 순서가 없는 특성에 원-핫 인코딩 적용
4.3 데이터셋을 훈련 데이터셋과 테스트 데이터셋으로 나누기
4.4 특성 스케일 맞추기
4.5 유용한 특성 선택
4.5.1 모델 복잡도 제한을 위한 L1 규제와 L 2 규제
4.5.2 L 2 규제의 기하학적 해석
4.5.3 L1 규제를 사용한 희소성
4.5.4 순차 특성 선택 알고리즘
4.6 랜덤 포레스트의 특성 중요도 사용
4.7 요약
5장 차원 축소를 사용한 데이터 압축
5.1 주성분 분석을 통한 비지도 차원 축소
5.1.1 주성분 분석의 주요 단계
5.1.2 주성분 추출 단계
5.1.3 총 분산과 설명된 분산
5.1.4 특성 변환
5.1.5 사이킷런의 주성분 분석
5.2 선형 판별 분석을 통한 지도 방식의 데이터 압축
5.2.1 주성분 분석 vs 선형 판별 분석
5.2.2 선형 판별 분석의 내부 동작 방식
5.2.3 산포 행렬 계산
5.2.4 새로운 특성 부분 공간을 위해 선형 판별 벡터 선택
5.2.5 새로운 특성 공간으로 샘플 투영
5.2.6 사이킷런의 LDA
5.3 커널 PCA를 사용하여 비선형 매핑
5.3.1 커널 함수와 커널 트릭
5.3.2 파이썬으로 커널 PCA 구현
5.3.3 새로운 데이터 포인트 투영
5.3.4 사이킷런의 커널 PCA
5.4 요약
6장 모델 평가와 하이퍼파라미터 튜닝의 모범 사례
6.1 파이프라인을 사용한 효율적인 워크플로
6.1.1 위스콘신 유방암 데이터셋
6.1.2 파이프라인으로 변환기와 추정기 연결
6.2 k-겹 교차 검증을 사용한 모델 성능 평가
6.2.1 홀드아웃 방법
6.2.2 k-겹 교차 검증
6.3 학습 곡선과 검증 곡선을 사용한 알고리즘 디버깅
6.3.1 학습 곡선으로 편향과 분산 문제 분석
6.3.2 검증 곡선으로 과대적합과 과소적합 조사
6.4 그리드 서치를 사용한 머신 러닝 모델 세부 튜닝
6.4.1 그리드 서치를 사용한 하이퍼파라미터 튜닝
6.4.2 중첩 교차 검증을 사용한 알고리즘 선택
6.5 여러 가지 성능 평가 지표
6.5.1 오차 행렬
6.5.2 분류 모델의 정밀도와 재현율 최적화
6.5.3 ROC 곡선 그리기
6.5.4 다중 분류의 성능 지표
6.6 불균형한 클래스 다루기
6.7 요약
7장 다양한 모델을 결합한 앙상블 학습
7.1 앙상블 학습
7.2 다수결 투표를 사용한 분류 앙상블
7.2.1 간단한 다수결 투표 분류기 구현
7.2.2 다수결 투표 방식을 사용하여 예측 만들기
7.2.3 앙상블 분류기의 평가와 튜닝
7.3 배깅: 부트스트랩 샘플링을 통한 분류 앙상블
7.3.1 배깅 알고리즘의 작동 방식
7.3.2 배깅으로 Wine 데이터셋의 샘플 분류
7.4 약한 학습기를 이용한 에이다부스트
7.4.1 부스팅 작동 원리
7.4.2 사이킷런에서 에이다부스트 사용
7.5 요약
previous
next
slide 1 of 17
, currently active
slide 2 of 17
slide 3 of 17
slide 4 of 17
slide 5 of 17
slide 6 of 17
slide 7 of 17
slide 8 of 17
slide 9 of 17
slide 10 of 17
slide 11 of 17
slide 12 of 17
slide 13 of 17
slide 14 of 17
slide 15 of 17
slide 16 of 17
slide 17 of 17
앞 코드가 만든 그래프는 그림 3-19와 같습니다.
▲ 그림 3-19
불순도 지표 비교
Prev
BUY
Next
신간 소식 구독하기
뉴스레터에 가입하시고 이메일로 신간 소식을 받아 보세요.
Email address
