하이퍼 파라미터는 모델링할 때 사용자가 직접 세팅해주는 값 !
파라미터와 다름 !
파라미터는 매개변수 !
하이퍼 파라미터는 정해진 최적의 값이 없습니다. 휴리스틱한 방법이나 경험 법칙(rules of thumb)에 의해 결정하는 경우가 많습니다.
| Holdout method (0) | 2021.01.26 |
|---|---|
| Gradient Descent (0) | 2021.01.26 |
| normal equation (0) | 2021.01.25 |
| Linear Regression (0) | 2021.01.25 |
| How to learn Machine Learning (0) | 2021.01.19 |
벡터는 소문자 볼드로
matrix는 대문자 볼드로 표시
주요 개념
목표는 아래의 식을 만족하는 w0와 w1을 구하는 것!
* m = 데이터의 개수
-normal equation : 빠름
코드
| Gradient Descent (0) | 2021.01.26 |
|---|---|
| 하이퍼 파라미터란? (0) | 2021.01.26 |
| Linear Regression (0) | 2021.01.25 |
| How to learn Machine Learning (0) | 2021.01.19 |
| RNN-basic (0) | 2021.01.15 |
-> linear regressionm logistic regression
1. hypothesis function
2. cost function(=loss function)
= 실제값과 가설함수의 차이
| 하이퍼 파라미터란? (0) | 2021.01.26 |
|---|---|
| normal equation (0) | 2021.01.25 |
| How to learn Machine Learning (0) | 2021.01.19 |
| RNN-basic (0) | 2021.01.15 |
| Simple Linear Regression (0) | 2021.01.15 |
1. 데이터 결측치 처리
2. 라벨링된 데이터 처리
3. 데이터의 scale의 차이가 매우 클 경우
데이터 결측치 처리
1) 데이터가 없으면 sample을 드롭
2) 데이터가 없는 최소 개수를 정해서 sample을 드롭
3) 데이터가 거의 없는 feature는 feature
4) 최빈값, 평균값으로 비어있는 데이터를 채우기
| 판다스 기본 (0) | 2021.01.20 |
|---|---|
| 선형대수 파이썬으로 구현해보기 ! (0) | 2021.01.14 |
| 선형대수 기초 (0) | 2021.01.12 |
Group by
: SQL의 group by 명령과 같다.
split -> apply -> combine
| Data preprocessing (0) | 2021.01.22 |
|---|---|
| 선형대수 파이썬으로 구현해보기 ! (0) | 2021.01.14 |
| 선형대수 기초 (0) | 2021.01.12 |
0. 머신러닝 학습 구조
출처 : Edwith 머신러닝을 위한 파이썬
1. 개념
Model : 예측을 하기 위한 수학 공식, 함수
ex) 1차 방정식, 확률 분포, condition rule
Algorithm : Model을 생성하기 위한 훈련 과정
y = ax + b에서
독립변수, 종속변수 : x, y
a, b 는 알고리즘을 통해 최적값을 찾음
Feature : 머신러닝에서 데이터의 특징을 나타내는 변수, 독립변수, Column
하나의 실제 데이터는 feature vector로 표현한다.
2. 용어 정리
3. 데이터 핸들링 방법
Pandas : 엑셀처럼 데이터 핸들링
Numpy : vector, matrix 형태의 데이터를 핸들링
| normal equation (0) | 2021.01.25 |
|---|---|
| Linear Regression (0) | 2021.01.25 |
| RNN-basic (0) | 2021.01.15 |
| Simple Linear Regression (0) | 2021.01.15 |
| 텐서플로우란? (0) | 2021.01.14 |