실업 모델을 평가하는 게인 곡선

이전 연습 문제에서는 female_unemployment에 대한 예측을 만들고, 예측값과 잔차를 시각화했어요. 이번에는 WVPlots::GainCurvePlot()(docs) 함수를 사용해, unemployment_model의 예측을 실제 female_unemployment와 비교한 게인 곡선을 그려 보겠습니다.

정확한 값 자체보다 순서가 더 중요한 상황에서, 게인 곡선은 모델의 예측이 실제 결과와 같은 순서로 정렬되는지 확인하는 데 도움이 됩니다.

GainCurvePlot() 함수 호출 형태는 다음과 같습니다:

GainCurvePlot(frame, xvar, truthvar, title)

여기서

frame은 데이터 프레임이고
xvar와 truthvar는 frame에서 예측 열과 실제 결과 열의 이름을 나타내는 문자열이며
title은 플롯의 제목입니다

예측이 실제와 정확히 같은 순서로 정렬되면 상대 지니 계수는 1이 됩니다. 모델이 정렬을 잘 못하면 상대 지니 계수는 0에 가깝거나 음수가 될 수도 있습니다.

예측값을 포함한 데이터 프레임 unemployment와 모델 unemployment_model은 이미 준비되어 있습니다.

이 연습은 강의의 일부입니다

R로 하는 Supervised Learning: 회귀

연습 안내

library()로 WVPlots 패키지를 로드하세요.
게인 곡선을 그리세요. 플롯 제목은 "Unemployment model"로 지정하세요. 모델의 예측이 올바르게 정렬되나요?

실습형 인터랙티브 연습

이 예제를 이 샘플 코드를 완성하여 풀어보세요.

# unemployment (with predictions) is available
summary(unemployment)

# unemployment_model is available
summary(unemployment_model)

# Load the package WVPlots
___

# Plot the Gain Curve
___(___, ___, ___, "Unemployment model")

코드 편집 및 실행

이 연습은 강의의 일부입니다

R로 하는 Supervised Learning: 회귀

SkillTag.level.intermediateSkillTag.label

4.7+

무료로 강의 시작하기

이 장에서는 Machine Learning 관점에서 회귀의 개념을 소개합니다. 기본이 되는 회귀 기법인 선형 회귀를 다룹니다. 선형 회귀 모델을 적합하고, 그 모델로 예측하는 방법을 보여드립니다.

Exercise 1: 환영합니다: 소개 Exercise 2: 회귀 과제 식별하기 Exercise 3: 선형 회귀 - 기본 방법 Exercise 4: 단일 변수를 이용한 간단한 회귀 코딩하기 Exercise 5: 모델 살펴보기 Exercise 6: 모델을 학습한 뒤 예측하기 Exercise 7: 실업 모델로 예측하기 Exercise 8: 다변량 선형 회귀 (1)Exercise 9: 다변량 선형 회귀 (2)Exercise 10: 선형 회귀 마무리

이제 기본 선형 회귀 모델을 적합하는 방법을 배웠으니, 모델이 얼마나 잘 작동하는지 평가하는 방법을 살펴보겠습니다. 그래프를 활용한 평가를 검토하고, 회귀 모델의 두 가지 기본 지표를 알아봅니다. 또한 학습 데이터에만 잘 맞는 것이 아니라 실제 환경에서도 잘 작동하는 모델을 학습하는 방법을 배웁니다. 예시는 선형 회귀로 보여드리지만, 이 개념들은 어떤 회귀 알고리즘으로 학습한 모델에도 모두 적용됩니다.

Exercise 1: 그래프로 모델 평가하기 Exercise 2: 실업률 모델을 그래프로 평가하기 Exercise 3: 실업 모델을 평가하는 게인 곡선

현재 연습

Exercise 4: 평균제곱근오차(RMSE)Exercise 5: RMSE 계산하기 Exercise 6: 결정계수 (R-squared)Exercise 7: R-squared 계산하기 Exercise 8: 상관계수와 R-제곱 Exercise 9: 모델을 제대로 학습시키기 Exercise 10: 무작위 테스트/훈련 분할 생성하기 Exercise 11: 테스트/훈련 분할을 사용해 모델 학습하기 Exercise 12: test/train 분할로 모델 평가하기 Exercise 13: 교차 검증 계획 만들기 Exercise 14: n-폴드 교차 검증으로 모델링 절차 평가하기

더 발전된 회귀 기법으로 넘어가기 전에, 다른 모델링 이슈들을 살펴보겠습니다. 범주형 입력을 이용한 모델링, 변수 간 상호작용, 그리고 모델링 전에 입력과 출력을 변환하는 것을 언제 고려해야 하는지입니다. 더 정교한 회귀 기법 중 일부는 이러한 이슈를 자동으로 다루지만, 어떤 방법이 어떤 이슈를 잘 처리하는지 이해하고, 어떤 이슈는 여전히 직접 관리해야 하는지 아는 것이 중요합니다.

Exercise 1: 범주형 입력 Exercise 2: 범주형 입력의 구조 살펴보기 Exercise 3: 범주형 입력으로 모델링하기 Exercise 4: 상호작용 Exercise 5: 상호작용 모형화하기 Exercise 6: 상호작용 항 모델링 (2)Exercise 7: 모델링 전에 반응 변수를 변환하기 Exercise 8: 상대 오차 Exercise 9: 로그 변환한 금액형 출력 변수 모델링 Exercise 10: RMSE와 루트 평균제곱 상대 오차 비교 Exercise 11: 모델링 전에 입력 변환하기 Exercise 12: 입력 변환: "하키 스틱"Exercise 13: 입력 변환: "하키 스틱" (2)

이제 선형 모델을 익혔으니, 선형성 가정을 만족하지 않는 상황을 모델링하는 기법을 살펴보겠습니다. 여기에는 확률과 빈도(0과 1 사이의 값)를 예측하는 문제, 개수(음이 아닌 정수값 및 이에 따른 비율)를 예측하는 문제, 그리고 입력과의 관계가 비선형이지만 가법적인 반응을 예측하는 문제가 포함됩니다. 이 알고리즘들은 표준 선형 모델의 변형입니다.

Exercise 1: 확률 예측을 위한 로지스틱 회귀 Exercise 2: 참새의 생존 확률 모델 적합하기 Exercise 3: 참새 생존 예측하기 Exercise 4: 카운트 예측을 위한 포아송 및 준포아송 회귀 Exercise 5: Poisson 또는 quasipoisson Exercise 6: 자전거 대여 건수를 예측하는 모델 적합하기 Exercise 7: 새 데이터로 자전거 대여 수 예측하기 Exercise 8: 자전거 대여 예측 시각화하기 Exercise 9: 비선형 변환을 학습하는 GAM Exercise 10: GAM 모델을 위한 수식 작성하기 Exercise 11: GAM 모델을 위한 수식 작성 (2)Exercise 12: GAM으로 콩 재배 성장 모델링하기 Exercise 13: 테스트 데이터에 콩 모델로 예측하기

이 장에서는 선형성이나 가법성을 가정하지 않고, 입력 변수들 사이의 제한된 형태의 상호작용을 학습할 수 있는 모델링 알고리즘을 살펴봅니다. 이러한 알고리즘은 학습 데이터로부터 학습된 여러 개의 의사결정나무를 앙상블로 결합하는 트리 기반 방법입니다.

Exercise 1: 트리 기반 방법의 직관 Exercise 2: 의사결정나무로 예측하기 Exercise 3: 랜덤 포레스트 Exercise 4: 자전거 대여량을 위한 랜덤 포레스트 모델 만들기 Exercise 5: 랜덤 포레스트 모델로 자전거 대여량 예측하기 Exercise 6: 랜덤 포레스트 자전거 모델 예측 시각화 Exercise 7: 범주형 변수를 원-핫 인코딩하기 Exercise 8: 작은 예제로 vtreat 사용하기 Exercise 9: 새로운 범주 수준(Novel levels)Exercise 10: vtreat로 자전거 대여 데이터 전처리하기 Exercise 11: Gradient boosting machines Exercise 12: Gradient Boosting Machine에 적합한 트리 개수 찾기 Exercise 13: xgboost로 자전거 대여 모델 적합 및 예측 Exercise 14: xgboost 자전거 대여 모델 평가하기 Exercise 15: xgboost 자전거 대여 모델 시각화