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