머신러닝2 [ISLR] Chapter6. Linear Model Selection and Regularization - Intro 다음 내용들은 아래의 책 ISLR 책을 해석하면서 공부한 내용임을 먼저 말씀드립니다! ( 사진에 링크 연결 ) 위의 식은 우리가 흔히 보는 linear model이다. linear model은 주로 X들과 Y 사이의 관계를 보고 싶을 때 주로 사용된다. Chapter 3에서 우리는 주로 회귀계수를 추정할 때, Least squares (최소 제곱 법)를 사용했다. linear model의 가장 큰 이점은 "해석력"을 꼽을 수 있다. 그리고 현실 문제에서 놀랍게도 non-linear methods와 비교했을 때 경쟁력이 있다. 그래서 우리는 이번 Chapter 6에서는 Least squares에 다른 어떤 것을 추가함으로써 simple linear model을 향상시키는 방법들에 대해서 배워볼 것이다. 자.. 2021. 7. 12. [머신러닝&딥러닝] Train / Validation / Test 의 차이 머신러닝에서 '어떤 모델을 학습시킨다'라는 말은 '적절한 파라미터를 찾는다'로 해석할 수 있습니다. 학습 목표는 보통 Cost function을 최소화시키는 것입니다. 이번 챕터에서 나오는 신경망 학습의 '학습' 또한 훈련 데이터로부터 적절한 파라미터(;가중치)의 최적 값을 자동으로 찾는 것을 의미합니다. 학습 목표 또한 머신러닝과 동일합니다. 그렇다면 훈련 데이터가 무엇인지, 어떻게 나눠지는지 먼저 알아보겠습니다 1. Train / Validation / Test data 1-1. Train data & Test data 데이터 분석을 한다는 것은 보통 아래와 같은 데이터가 주어지면 모델링을 통해 특정 규칙을 찾아 아래의 unseen data의 output을 예측하는 것이 목표입니다. 그렇다면 예측력이.. 2021. 2. 1. 이전 1 다음
