이 장에서는 분류 문제에 로지스틱 회귀와 서포트 벡터 머신(SVM)을 적용하는 기본기를 학습합니다. <code>scikit-learn</code> 라이브러리를 사용해 실제 데이터에 분류 모델을 적합해 볼 거예요.

scikit-learn 다시 보기

KNN 분류

모델 비교

과적합

로지스틱 회귀와 SVM 적용하기

LogisticRegression과 SVC 실행하기

영화 리뷰 감성 분석

선형 분류기

어떤 결정 경계가 선형일까요?

의사결정 경계 시각화

이 장에서는 로지스틱 회귀와 SVM의 개념적 틀을 살펴봅니다. 이를 통해 모델의 내부 작동 원리를 더 깊이 이해할 수 있어요.

선형 분류기: 계수 이해하기

모델은 어떻게 예측할까요

모델 계수 바꾸기

손실 함수란 무엇인가요?

0-1 손실

손실 함수 최소화하기

손실 함수 도식

분류용 손실 함수

Logistic 손실과 Hinge 손실 비교

로지스틱 회귀 구현하기

손실 함수

이 장에서는 로지스틱 회귀의 세부 내용을 파고듭니다. 정규화 전반과 모델 출력 해석 방법을 배우게 됩니다.

로지스틱 회귀와 정규화

정규화된 로지스틱 회귀

Logistic 회귀와 특성 선택

가장 긍정적인 단어와 부정적인 단어 찾기

로지스틱 회귀와 확률

클래스 확률 구하기

정규화와 확률

쉬운 예시와 어려운 예시 시각화

다중 클래스 로지스틱 회귀

계수 개수 세어 보기

다중 클래스 로지스틱 회귀 적합하기

다중 클래스 로지스틱 회귀 시각화

One-vs-rest SVM

로지스틱 회귀

이 장에서는 서포트 벡터 머신의 세부 내용을 학습합니다. 하이퍼파라미터 튜닝과 커널을 사용해 비선형 결정 경계를 적합하는 방법을 알아봅니다.

서포트 벡터

서포트 벡터의 정의

예시 제거의 영향

커널 SVM

GridSearchCV 준비 운동

GridSearchCV로 gamma와 C 동시 튜닝하기

로지스틱 회귀와 SVM 비교(그 너머까지)

SVM의 장점

로지스틱 회귀의 장점

SGDClassifier 사용하기

마무리

서포트 벡터 머신

이 강의에서는 scikit-learn을 사용해 선형 분류기, 특히 로지스틱 회귀와 서포트 벡터 머신(SVM)을 다루는 방법을 배웁니다. 방법을 적용하는 법을 익힌 뒤에는 그 뒤에 있는 개념을 파고들어, 알고리즘이 어떻게 작동하는지 이해하게 될 거예요. 강의가 끝나면 Python에서 이러한 선형 분류기를 학습하고, 평가하고, 튜닝하는 방법을 알게 됩니다. 또한 다른 많은 Machine Learning 알고리즘을 이해하는 데 필요한 개념적 토대도 갖추게 됩니다.

Supervised Learning with scikit-learn

이 과정에서는 로지스틱 회귀 및 SVM과 같은 선형 분류기의 세부 사항을 배웁니다.

Python으로 배우는 선형 분류기

이 과정에서는 로지스틱 회귀와 SVM 등 선형 분류기의 원리를 자세히 학습합니다.

마무리

Create Your Free Account