다양한 트리 앙상블 알고리즘(Random Forest, Extra Trees, Gradient Boosting, HistGradientBoosting, XGBoost, LightGBM)을 활용하여 와인 데이터셋을 분석하고, 각 모델의 성능을 비교합니다. 교차 검증, 특성 중요도 분석, OOB 점수 등을 통해 모델을 평가하고, 하이퍼파라미터 조정을 통해...

교차 검증과 그리드 서치를 통해 머신러닝 모델의 성능을 평가하고 최적의 하이퍼파라미터를 찾는 방법을 다룹니다.

로지스틱 회귀를 통해 와인 데이터를 분류한 후, 결정 트리를 활용하여 학습 성능을 비교하고 이를 시각화

확률적 경사 하강법(SGD)의 개념과 다양한 경사 하강법의 종류, 손실 함수, 에포크와 조기 종료, 그리고 실제 예제를 통해 SGD의 사용 방법

로지스틱 회귀와 K-최근접 이웃 분류기를 사용하여 생선 데이터를 분석하고 분류하는 방법을 다룹니다. 데이터 준비, 모델 훈련 및 평가, 확률 예측 등의 과정을 포함합니다.

특성 공학으로 데이터를 확장하고, 릿지와 라쏘 규제를 활용하여 모델 성능을 최적화하는 과정

머신러닝 모델 평가 및 실습: 선형 회귀와 다항 회귀를 사용한 농어 데이터 분석

k-최근접 이웃 회귀 알고리즘과 머신러닝 데이터 준비 과정을 다룹니다. 지도 학습의 기본 개념인 분류와 회귀의 차이점을 설명하고, k-최근접 이웃 알고리즘을 사용한 분류 및 회귀 예제를 제공합니다. 또한, 데이터 준비 과정에서 넘파이 배열 생성, 데이터 시각화, 데이터셋 분리, 차원 조정, 모델 훈련 및 평가 방법을 상세히 설명합니다.

도미와 빙어 데이터를 이용해 데이터 전처리 과정을 살펴보고, 이를 활용한 K-최근접 이웃(KNN) 알고리즘 실습

지도 학습(Supervised Learning)의 대표적인 알고리즘인 K-최근접 이웃(K-Nearest Neighbors, KNN)을 실습하면서 기본 개념과 과정