손으로 적는 데이터사이언스

● Chapter 4 학습목표    1. Logistic regression, 확률적 경사 하강법과 같은 분류 알고리즘을 배웁니다.    2. 이진 분류와 다중 분류의 차이를 이해하고 클래스별 확룰을 예측합니다. ● Chapter 04-1 학습목표 : Logistic regression algorithm을 배우고 이진 분류 문제에서 클래스 확률을 예측합니다.   ● 지난 Chapter에서 배운 다중 회귀 문제 풀이 scheme1. Data 불러오기2. Train & test set 나누기3. Preprocessing - Feature engineering    3-1. Featue engineering    3-2. Degree 증가 시키기 4. Preprocessing - Scaling  * 규제하기전..

● 학습 목표 : K-Nearest Neighbors Regression과 Linear regression의 차이를 이해하고 scikit-learn을 사용해 여러 가지 선형 회귀 모델을 만들어봅니다. ● 지난 chpater에서 배운 내용 -  K-Nearest Neighbors Regression과 Over/Under fitting1. 데이터 불러오기2. Input 데이터 2차원 array 만들기 (.reshape(-1,1))3. Train data 학습 시키기4. Model 평가하기 (Train & Test set의 결정계수, Test set를 사용한 Error)5, Over/Under fitting 확인하고 Model의 복잡도로 개선하기 ● 선형 회귀 문제 풀이 scheme1. 데이터 불러오기2. I..

● Chapter 3의 학습목표1. 지도 학습 알고리즘의 한 종류인 회귀 알고리즘에 대해 배웁니다.2. 다양한 선형 회귀 알고리즘의 장단점을 이해합니다. ● Chapter 3-1의 학습 목표지도 학습의 한 종류인 회귀 문제를 이해하고 k-Nearest Neighbors 알고리즘을 사용해 농어의 무게를 예측하는 회귀 문제를 풀어 봅니다. ● 지난 Chapter에서 배운 내용1. Input & Target을 통해 model 학습 (K-Nearest Neighbors algorithm)2. 학습 시에는 Train set와 Test set를 나눈다.3. 한쪽에 치우치지 않도록 Sampling bias가 없도록 한다.4. 정확한 거리를 측정하여 학습이 이루어 질 수 있도록 Scaling을 한다. ● 회귀문제 푸는..