이번에는 mlxtend로 해봐요!

Create Your Free Account

or

By continuing, you accept our Terms of Use, our Privacy Policy and that your data is stored in the USA.

이 연습은 강의의 일부입니다

Python에서의 앙상블 기법

SkillTag.level.advancedSkillTag.label

4.9+

무료로 강의 시작하기

여러분이 만든 모델 중 어떤 것이 문제에 가장 잘 맞는지 고민하고 계신가요? 그 고민은 이제 그만하시고, 대신 전부 활용해 보세요! 이 장에서는 "Voting"과 "Averaging"을 사용해 여러 모델을 하나로 결합하는 방법을 배웁니다. 이를 활용해 Google Play 스토어 앱 평점 예측, 포켓몬이 전설 포켓몬인지 여부, 그리고 왕좌의 게임에서 어떤 캐릭터가 죽을지까지 예측해 볼 거예요!

Exercise 1: Ensemble 방법 소개 Exercise 2: Google 앱 데이터 탐색하기 Exercise 3: 앱 평점 예측하기 Exercise 4: 투표(Voting)Exercise 5: 최적의 모델 선택하기 Exercise 6: 첫 번째 앙상블 구성하기 Exercise 7: 앙상블 성능 평가하기 Exercise 8: 평균 내기 Exercise 9: 웨스테로스로의 여정 Exercise 10: GoT 사망 예측 Exercise 11: Soft vs. hard voting

Bagging은 랜덤 포레스트와 같은 강력한 Machine Learning 알고리즘의 기반이 되는 앙상블 방법입니다. 이 장에서는 해당 기법의 이론을 배우고, scikit-learn으로 직접 bagging 모델을 만들어 봅니다.

Exercise 1: "약한" 모델의 강점 Exercise 2: 제한 없는 결정 트리와 제한된 결정 트리 Exercise 3: "약한" 결정 트리 Exercise 4: Bootstrap 집계(Bagging)Exercise 5: 부트스트래핑으로 학습하기 Exercise 6: Bagging 첫 시도 Exercise 7: BaggingClassifier: 핵심과 실전 Exercise 8: Bagging: scikit-learn 방식 Exercise 9: Out-of-bag 점수 확인하기 Exercise 10: Bagging 하이퍼파라미터: 실전 팁과 요령 Exercise 11: UCI SECOM 데이터 탐색하기 Exercise 12: 더 복잡한 배깅 모델 Exercise 13: Bagging 하이퍼파라미터 튜닝

Boosting은 AdaBoost처럼 수상 경력이 있는 모델들을 포함하는 앙상블 학습 기법의 한 종류입니다. 이 장에서는 이 수상 경력 모델을 배우고, 이를 사용해 수상한 영화들의 매출을 예측해 봅니다! 또한 CatBoost와 XGBoost 같은 gradient boosting 알고리즘도 학습합니다.

Exercise 1: 점진적 학습의 효과 Exercise 2: 영화 데이터베이스 소개 Exercise 3: 영화 특성 살펴보기 Exercise 4: 영화 수익 예측하기 Exercise 5: 예상 수익에 대한 Boosting Exercise 6: Adaptive boosting: 수상 경력의 모델 Exercise 7: 첫 번째 AdaBoost 모델 만들기 Exercise 8: 트리 기반 AdaBoost 회귀 Exercise 9: AdaBoost 최대한 활용하기 Exercise 10: Gradient boosting Exercise 11: Google 앱 리뷰 다시 살펴보기 Exercise 12: GBM으로 감성 분석하기 Exercise 13: Gradient boosting의 다양한 방식 Exercise 14: CatBoost로 영화 수익 예측하기 Exercise 15: 부스팅 대결: Light vs Extreme

이제 쌓아 올리는 힘을 확인해 볼 시간이에요! 마지막 장에서는 stacking 앙상블 방법을 배웁니다. scikit-learn과 mlxtend 라이브러리를 사용해 구현하는 방법을 익혀요! North America 버섯의 식용 가능성을 예측해 보고, 더 발전된 접근 방식으로 Google 앱의 평점 예측도 다시 시도해 봅니다.

Exercise 1: 스태킹의 직관 Exercise 2: mushroom 데이터셋 탐색하기 Exercise 3: 버섯 식용 가능성 예측하기 Exercise 4: 버섯 데이터에 K-최근접 이웃 적용하기 Exercise 5: 첫 번째 스택드 앙상블 만들기 Exercise 6: 스태킹으로 앱 평점 예측하기 Exercise 7: 스태킹 분류기 만들기 Exercise 8: 앱 평점을 위한 스태킹 예측 Exercise 9: 이번에는 mlxtend로 해봐요!

현재 연습

Exercise 10: mlxtend로 처음 시도해 보기 Exercise 11: 스태킹으로 회귀 문제로 돌아가기 Exercise 12: 버섯: 생사를 가르는 문제 Exercise 13: 모든 기법을 하나로 앙상블하기