k와 분류 정확도 사이에는 복잡한 관계가 있습니다. 항상 클수록 좋은 것은 아닙니다.
다음 중 k를 가능한 한 작게(하지만 너무 작지는 않게) 유지할 만한 타당한 이유는 무엇인가요?
이 연습은 강의의 일부입니다
이론을 실습으로 바꾸는 인터랙티브 연습 중 하나를 만나보세요
kNN 알고리즘은 말 그대로 "예시로부터 학습"하기 때문에, Supervised Machine Learning을 이해하기 시작하기에 제격입니다. 이 장에서는 자율주행 차량의 도로 표지판 인식 문제에 kNN을 적용해 보면서 분류의 개념을 소개합니다.
현재 연습
나이브 베이즈는 통계학의 원리를 활용해 예측을 수행합니다. 이 장에서는 베이지안 방법의 기초를 소개하고, 이를 iPhone과 유사한 목적지 추천에 적용하는 과정을 살펴봅니다.
로지스틱 회귀는 수치형 데이터에 곡선을 적합해 이진 사건을 예측합니다. 가장 널리 쓰이는 Machine Learning 방법 중 하나로, 이 장에서는 기법의 개요를 제공하고 모금 데이터에 적용하는 예를 통해 설명합니다.
분류 트리는 의사결정도와 같은 구조를 사용해 결정을 내립니다. 트리 구조는 사람이 이해하기 쉬워 대출 승인처럼 투명성이 필요한 경우에 유용합니다. 이 시나리오를 모사하기 위해 Lending Club 데이터셋을 사용하겠습니다.
