머신러닝과 데이터 분석 (1)

 

 

1. 지도학습 알고리즘

1) 선형 회귀 

- 가장 기초적인 머신러닝 모델

- 연속형 변수인 목표 변수를 예측

- 선형 회귀 모델에서는 예측할 종속변수만 연속형 변수 사용

   활용예시 -> 몸무게와 신장의 관계 , 학습 시간과 성적의 관계 

 

- 적합한 데이터 유형 : 종속변수와 독립변수가 선형관계에 있는 데이터 

 

 - 모델이 간단하기 떄문에 구현과 해석이 쉬움

 - 최신 알고리즘에 비해 예측력이 떨어진다. 

 

 

2) 로지스틱 회귀

  - 알고리즘의 근간을 선형 회귀 분석에 두고 있어서 선형 회귀 분석과 상당히 유사하지만 다루는 문제가 다름

  - 활용예시 ) 이메일이 스팸인지 여부를 판단, 검색 기록 및 과거 행동을 기반으로 고객의 구매 여부를 예측

  - 적합한 데이터 유형: 종속변수가 범주형 데이터 

  - 선형 회귀 분석만큼 구현하기 용이, 계수를 사용해 각 변수의 중요성을 쉽게 파악 

  - 선형 회귀 분석을 근간으로 하고 있기 때문에, 선형 관계가 아닌 데이터에 대한 예측력이 낮음

 

---

 

2. 비지도학습 알고리즘

1) 지도 학습과 달리 정답을 알려주지 않고 예측함

2) 정답을 모르더라도 유사한 것들과 서로 다른 것들을 구분한다.

3  대표적인 알고리즘 -> 클러스터링, 차원 축소

 

  4) K-평균 군집화 

     거리를 기반으로 작동하기 때문에 데이터 위치가 가까운 데이터끼리 한 그룹으로 묶으며, 전체 그룹의 수는 사용자가 지정한K개

      - 활용예시 ) 서비스 사용자 또는 고객 분류, 세그먼트로 클러스터링 진행

     - 장점 : 계산이 비교적 간단하고 , 빠르게 수행, 대규모 데이터셋에도 적용할수있음. 비교적 확장 가능하여 다양한 분야에서 사용

     - 단점: 알고리즘을 실행하기 전에 클러스터 수(K)를 정해야함 , 중심값 설정에 따라 결과가 달라질 수 있음 

 

  5) 주성분 분석(PCA)

   종속 변수는 존재하지 않고 , 어떤 것을 예측하지도 분류하지도 않음. 

   PCA의 목적은 데이터의 차원을 축소하는데 있음. 

   차원 축소를 간단히 말하면 변수의 개수를 줄이되, 가능한 그 특성을 보존해내는 기법

   PCA는 기존의 변수 중 일부를 그대로 선택하는 방식이 아니라, 기존 변수들의 정보를 모두 반영하는 새로운 변수들을 만드는 방    식으로 차원 축소 

   - 활용 예시) 다차원 변수들을 2차원 그래프로 표현하는데 사용, 설문조사를 통한 만족도 및 브랜드 충성

 

다차원을 2차원에 적합하도록 차원축소하여 시각화에 장점이 있다. 

기존 변수가 아닌 새로운 변수를 사용하여 해석하는데 어려움이 있음, 차원이 축소됨에 따라 정보 손실이 불가피하다. 

 

   6) 강화 학습 

보상 및 벌칙과 함께 여러 번의 시행착오를 거쳐 스스로 학습하는 방법

예) 아이가 스스로 일어서는 방법, 스스로 걷는 방법 등