가전제품 이것저것 이야기

1. git add 

- 특정 파일 추가

git add comment.js

- 모든 파일 추가

git add .

* add 명령 취소하기

git reset <file_name>

2. git staging 상태 확인

git status

3. git 저장소 반영

git commit -m 'commit message'

* commit 된 파일 중 변경사항을 비교할 때

git diff

4. git 저장소 반영 내역

git log

1. 사용자 정보 설정하기

$git config --global user.name "name"
$git config --global user.email gitaccount@naver.com

2. 프로젝트마다 다른 이름, 이메일을 설정하고 싶다면

--global 빼기

$git config user.name "name"
$git config user.email gitaccount@naver.com

3. 설정 정보 확인하기

$git config --list

4. Git 저장소 생성하기

생성하고 싶은 폴더로 이동 후,

git init [name]

L1 regularization(Lasso)

중요하지 않은 베타를 0으로 만들어 모델의 복잡성을 줄인다.

몇 개의 중요한 변수만 선택하기 때문에 정보 손실과 모델의 정확성이 떨어질 가능성이 있다.

계산은 비교적 빠르다.

L2 regularization(Ridge)

중요하지 않은 베타를 0에 가깝게 한다.

Elastic net

L1 + L2 적용 비율을 조정하여 구현

RSS(Residual Sum of Square)

오차들의 단순 제곱합

직관적 해석

입력값의 크기에 의존

MSE(Mean Squared Error)

평균 제곱 오차

RSS를 데이터의 수로 나눈 값이다.

작을수록 모델의 성능이 높다고 평가.

이상치에 민감하다.

입력값의 크기에 의존

MAE(Mean Absolute Error)

평균 절대값 오차

변동성이 큰 지표와 변동성이 작은 지표를 같이 평가할 때 좋다.

입력값의 크기에 의존

R square

1 - RSS / MSE

회귀모델의 설명력을 표현하는 지표이다.

입력값 크기에 의존하지 않음

0부터 1 사이의 값

1에 가까울수록 설명력이 높다.

과적합(Overfitting) 방지 방법

1. Cross validation

- 대부분 K-fold 교차 검증 방법을 사용한다.

1) K를 설정하여 데이터셋을 K개로 나눈다.

2) K개 중 한 개를 valid, 나머지를 훈련용으로 사용한다.

3) K개 모델의 평균 성능이 최종 모델의 성능이다.

2. Regularization

모델의 복잡성을 줄여 일반화된 모델을 구현하기 위한 방법이다.

모델 Bi에 패널티를 부여한다.(선형 회귀를 위한 정규화 : L1, L2 정규화)

- L1 정규화 (Lasso)

: 불필요한 입력값에 대응되는 Bi를 정확히 0으로 만든다.

- L2 정규화 (Ridge)

: 아주 큰 값이나 아주 작은 값을 가지는 이상치에 대한 Bi를 0에 가까운 값으로 만든다.

- 엘라스틱 넷

L1, L2 결합

회귀분석

: Loss function을 최소화하는 Gradient Descent를 통해 데이터를 가장 잘 설명할 수 있는 선을 찾는 것

단순 선형 회귀분석

: y = aX + b

입력값(X)이 한 개일 경우에만 사용이 가능하다.

두 변수 간의 직관적인 관계를 알아볼 때 사용한다.

다중 선형 회귀분석

: y = b0 + b1 * x1 + b2 * x2 + b3 * x3 + ...

여러 개의 입력값 사이 간의 상관 관계*가 높을 경우 결과에 대한 신뢰성을 잃을 가능성이 있음

다항 회귀분석(Polynomial Regression)

: 1차 함수 선형식으로 표현하기 어려울 때, 다항 회귀분석을 이용한다. 

제곱이 될 수도 있고 세제곱이 될 수도 있고 다양하게 식이 전개될 수 있다.

-> 과적합 문제가 발생할 수 있음

Confusion Matrix

: 분류 모델의 성능을 평가하는 지표이다.

확률 행렬

: 혼동행렬의 값을 확률로 정규화한 행렬

기대손익 구하기

타켓 마케팅에 대한 기대손익 예시

머신러닝 관점에서 정확도가 높고,

비즈니스 관점에서 기대손익이 높은 모델을 최종적으로 선택한다.