이진 분류

지도 학습에는 두 가지 유형, 분류와 회귀가 있습니다. 이진 분류는 두 개의 레이블만 가진 타깃 변수를 예측하는 데 사용되며, 일반적으로 숫자 0 또는 1로 표현됩니다.

churn_df 데이터 세트의 .head()가 아래에 제공되어 있습니다. 데이터의 나머지 부분도 비슷한 값이 포함되어 있다고 예상할 수 있습니다.

   account_length  total_day_charge  total_eve_charge  total_night_charge  total_intl_charge  customer_service_calls  churn
0             101             45.85             17.65                9.64               1.22                       3      1
1              73             22.30              9.05                9.98               2.75                       2      0
2              86             24.62             17.53               11.49               3.13                       4      0
3              59             34.73             21.02                9.66               3.24                       1      0
4             129             27.42             18.75               10.11               2.59                       1      0

이 데이터에서, 이진 분류의 타깃 변수로 사용할 수 있는 열은 무엇일까요?

이 연습은 강의의 일부입니다

scikit-learn으로 배우는 지도 학습

실습형 인터랙티브 연습문제

이론을 실습으로 바꾸는 인터랙티브 연습 중 하나를 만나보세요

이 연습은 강의의 일부입니다

scikit-learn으로 배우는 지도 학습

SkillTag.level.intermediateSkillTag.label

4.8+

무료로 강의 시작하기

이 챕터에서는 분류 문제에 대해 소개하고 지도 학습 기법을 활용하여 이를 해결하는 방법을 배우게 됩니다. 데이터를 학습 세트와 테스트 세트로 분할하고, 모델을 적합킨 후 예측을 수행하며, 정확도를 평가하는 방법을 학습합니다. 모델 복잡성과 성능 간의 관계를 알아보며, 학습한 내용을 텔레콤 회사의 고객 이탈 여부 분류 문제에 적용하게 됩니다.

Exercise 1: scikit-learn을 활용한 머신 러닝 Exercise 2: 이진 분류

현재 연습

Exercise 3: 지도 학습 워크플로 Exercise 4: 분류 과제 Exercise 5: k-최근접 이웃 (KNN): Fit Exercise 6: k-최근접 이웃 (KNN): 예측 Exercise 7: 모델 성능 측정 Exercise 8: 학습/테스트 분할 + 정확도 계산 Exercise 9: 과적합과 과소적합 Exercise 10: 모델 복잡도 시각화

이 챕터에서는 회귀 분석에 대해 소개하고, 광고 비용 데이터세트를 활용하여 매출 값을 예측하는 모델을 구축합니다. 선형 회귀의 메커니즘과 R-제곱, 평균 제곱근 오차(RMSE)와 같은 일반적인 성능 지표에 대해 학습합니다. k-겹 교차 검증을 수행하고, 회귀 모델에 정규화를 적용하여 과적합 위험을 감소시킬 것입니다.

Exercise 1: 회귀 입문 Exercise 2: 특성 만들기 Exercise 3: 선형 회귀 모델 구축하기 Exercise 4: 선형 회귀 모델 시각화하기 Exercise 5: 선형 회귀의 기초 Exercise 6: 회귀를 위한 학습 및 예측 Exercise 7: 회귀 성능 Exercise 8: 교차 검증 Exercise 9: R-제곱을 위한 교차 검증 Exercise 10: 교차 검증 지표 분석하기 Exercise 11: 정규화된 회귀 Exercise 12: 정규화된 회귀: 릿지 Exercise 13: 특성 중요도를 위한 라쏘 회귀

모델을 학습시켰으므로, 이제 이를 평가하는 방법을 학습합니다. 이 챕터에서는 분류 모델 성능을 분석하기 위한 여러 지표와 scikit-learn을 활용한 시각화 기법을 소개합니다. 또한 하이퍼파라미터 튜닝을 통해 분류 및 회귀 모델을 최적화하는 방법을 배우게 됩니다.

Exercise 1: 여러분의 모델은 얼마나 좋은가요?Exercise 2: 주요 지표 결정하기 Exercise 3: 당뇨병 예측 분류기 평가하기 Exercise 4: 로지스틱 회귀와 ROC 곡선 Exercise 5: 로지스틱 회귀 모델 구축하기 Exercise 6: ROC 곡선 Exercise 7: ROC AUC Exercise 8: 하이퍼파라미터 튜닝 Exercise 9: GridSearchCV를 사용한 하이퍼파라미터 튜닝 Exercise 10: RandomizedSearchCV를 활용한 하이퍼파라미터 튜닝

결측값을 대체하고, 범주형 데이터를 수치형 값으로 변환하고, 데이터를 스케일링하고, 여러 지도 학습 모델을 동시에 평가하고, 워크플로를 간소화하는 파이프라인을 구축하는 방법을 배우세요!

Exercise 1: 데이터 전처리 Exercise 2: 더미 변수 만들기 Exercise 3: 범주형 특성을 사용한 회귀 Exercise 4: - 결측치 처리하기 Exercise 5: 결측치 제거하기 Exercise 6: 노래 장르 예측을 위한 파이프라인: I Exercise 7: 노래 장르 예측을 위한 파이프라인: II Exercise 8: 중심화와 스케일링 Exercise 9: 회귀를 위한 중심화 및 스케일링 Exercise 10: 분류를 위한 중심화 및 스케일링 Exercise 11: 여러 모델 평가하기 Exercise 12: 회귀 모델 성능 시각화하기 Exercise 13: 테스트 세트에서 예측하기 Exercise 14: 분류 모델 성능 시각화하기 Exercise 15: 노래 인기도 예측을 위한 파이프라인 Exercise 16: 축하합니다!