Altiora Petamus

이전 포스트 ( 2. [EXPLORATION] 2. scikit-learn 내장 분류 모델 학습 ) 에서 scikit learn의 데이터셋과 모델을 이용한 간단한 분류 모델을 학습시켜보았다. 이번 포스트에서는 scikit learn의 모델들과 오차행렬에 대하여 기록하고자 한다. 1. Model 1-1) Decission Tree 데이터의 패턴을 분석하여 예측 가능한 패턴들의 조합으로 나타내며 그 형상이 나무와 같아 붙여진 이름 데이터를 이용한 '스무고개' 분류 / 회귀 모두 예측 가능 - 분류의 경우 데이터와 해당 label을 참고하여 terminal node에 가장 빈도가 높은 범주에 데이터 분류 - 회귀의 경우 해당 terminal node의 종속변수값의 평균을 예측값으로 반환하지만 그 종류는 ter..

scikit-learn의 내장 dataset을 활용한 간단한 분류 모델을 학습시켜보며 핵심내용과 코드에 대한 설명을 적는다. 1. scikit - learn - 파이썬 기반 머신러닝 분야에서 많이 쓰이는 라이브러리 - 머신러닝의 다양한 알고리즘과 편리한 프레임워크 제공 - 다양한 datasets , Model 내장 scikit-learn.org/stable/datasets.html 7. Dataset loading utilities — scikit-learn 0.24.1 documentation scikit-learn.org 2. iris dataset classification model 2-1. EDA from sklearn.datasets import load_iris iris = load_iris..

이곳에 MNIIST와 가위, 바위, 보의 사진을 분류하는 간단한 인공지능을 구현하는 내용을 기록한다. 소개 데이터 준비 -> 딥러닝 네트워크 설계 -> 학습 -> 테스트(평가)의 순서대로 설명과 함께 코드를 살펴본다. 이 글에서는 keras(TensorFlow의 표준 API)를 이용한다. 본문 1. MNIST를 이용한 손글씨 분류기 구현 - 데이터 구조 MNIST는 숫자 손글씨에 대한 data를 가지고 있으며 60,000장의 Train set과 10,000장의 Test set으로 구성되어 있다. 각각의 image는 28 x 28의 크기로 구성되어 있다. Train set은 250명의 사용자가 직접 작성한 것이고 , test set은 또 다른 250명의 사용자가 작성한 data이다. 자세한 정보는 아래 링..