머신러닝 주택 가격 예측과 고객 세분화 분석

FACTS: 이번 일주일 동안 있었던 일, 내가 한 일

이번 주에는 머신러닝 과제를 중심으로 다음과 같은 작업을 진행했습니다:

1. 지도 학습 과제: 주택 가격 예측 모델 구축:
   • 데이터를 탐색하고, 결측치를 처리하고, 이상치를 제거한 후 스케일링을 적용하며 데이터를 정리했습니다.
   • 선형 회귀, 랜덤 포레스트, 그래디언트 부스팅 등 다양한 회귀 모델을 학습하고 평가하며, 모델 간의 성능 차이를 비교했습니다.
   • GridSearchCV와 RandomizedSearchCV를 통해 하이퍼파라미터를 튜닝하며 최적의 모델을 찾아가는 과정도 경험했습니다.
   • 마지막으로 여러 모델의 성능을 시각화하여 비교하며 결과를 분석했습니다.
2. 비지도 학습 과제: 고객 세분화 분석:
   • Mall Customers 데이터셋을 기반으로 데이터를 전처리하고(결측치 처리, 이상치 제거, 스케일링), 클러스터링 기법(K-means, 계층적 군집화, DBSCAN, GMM)을 적용했습니다.
   • 엘보우 방법과 실루엣 점수를 통해 최적의 클러스터 수를 결정했으며, 결과를 2D 및 3D 시각화를 통해 분석했습니다.
   • DBSCAN의 노이즈 처리와 데이터 손실 비율 계산을 통해 클러스터링 기법이 가진 한계를 이해했습니다.

FEELINGS: 나의 감정적인 반응, 느낌

이번 주는 머신러닝의 지도 학습과 비지도 학습 과제를 심도 있게 다룰 수 있는 기회였습니다. 지도 학습에서는 데이터를 다루는 체계적인 과정이 중요한 만큼, 이를 단계별로 수행하며 작업이 체계적으로 느껴져 만족감이 있었습니다. 반면, 비지도 학습은 데이터에 대한 이해가 중요하고 클러스터링 결과를 해석하는 데 시간이 필요했지만, 결과를 시각화하면서 직관적인 분석 방법을 배울 수 있어 흥미로웠습니다.

하이퍼파라미터 튜닝은 모델의 성능을 높이는 데 매우 중요한 과정임을 알게 되었지만, 동시에 계산 시간이 길고 반복 작업이 많아 효율적인 도구 사용이 필요하다는 점도 깨달았습니다. 주어진 과제가 많아 일정이 다소 빡빡했지만, 결과물을 보며 뿌듯함을 느꼈습니다.

FINDINGS: 그 상황으로부터 내가 배운 것, 얻은 것

• 데이터 전처리의 중요성: 결측치와 이상치 처리를 포함한 전처리 단계가 모델 성능에 큰 영향을 미친다는 점을 재확인했습니다.
• 클러스터링 기법의 선택 기준: 데이터의 특성과 목적에 따라 클러스터링 기법을 적절히 선택하고, 이를 평가하는 지표(실루엣 점수 등)를 활용해야 한다는 점을 배웠습니다.
• 시각화의 역할: 시각화를 통해 데이터와 모델 성능을 더 잘 이해할 수 있었으며, 전달력 있는 결과물을 만드는 데 시각화가 중요한 역할을 한다는 것을 깨달았습니다.
• 목표 설정의 필요성: 과제가 많을수록 현실적인 목표를 세우고 우선순위를 명확히 하는 것이 필요하다는 점을 알게 되었습니다.

FUTURE: 배운 것을 미래에는 어떻게 적용할지

• Django 프레임워크 학습: 웹 개발의 기본기를 다지기 위해 Django에 집중하고, 간단한 프로젝트를 통해 실제로 활용할 수 있는 능력을 키우겠습니다.
• AI 모델 활용 실습: 머신러닝 모델을 간단히 응용해보며, 학습 내용을 실질적인 결과물로 연결하는 연습을 할 계획입니다.

마무리

이번 주는 데이터 분석과 머신러닝 과제에서 심화된 내용을 학습하며 성장할 수 있는 시간이었다고 생각합니다. 특히 지도 학습과 비지도 학습을 모두 경험하며 머신러닝의 다양한 면을 이해할 수 있었습니다. 다음 주에는 장고와 AI 활용 학습을 중심으로 실용적인 기술을 익히고, 이번 주에 배운 내용을 실무와 연계할 수 있는 기회를 만들어가겠습니다.