이 문서는 Google Cloud Translation API를 사용해 자동 번역되었습니다.
어떤 문서는 원문을 읽는게 나을 수도 있습니다.
기계 학습은 데이터에서 학습하고 예측할 수 있는 알고리즘의 설계 및 개발을 다루는 인공 지능 분야입니다.
기계 학습 알고리즘에는 다양한 유형이 있지만 크게 세 가지 주요 유형으로 분류할 수 있습니다.
감독 학습: 이 알고리즘은 교육 데이터에 각 입력에 대한 올바른 출력을 나타내는 레이블이 포함되어 있을 때 사용됩니다. 알고리즘은 입력 데이터를 올바른 출력 레이블에 매핑하는 방법을 배웁니다.
비지도 학습: 이 알고리즘은 학습 데이터에 레이블이 포함되어 있지 않을 때 사용됩니다. 알고리즘은 데이터에서 패턴을 찾고 데이터 포인트를 그룹으로 묶습니다.
강화 학습: 이 알고리즘은 에이전트가 환경과 상호 작용하고 보상을 최대화하는 방법을 배우려고 할 때 사용됩니다.
이 기사에서는 감독 학습 알고리즘에 중점을 둘 것입니다. 가장 인기 있는 감독 학습 알고리즘과 이를 Python에서 구현하는 방법에 대해 논의할 것입니다.
선형 회귀는 실제 값 출력을 예측하는 데 사용되는 지도 학습 알고리즘입니다. 출력은 입력 기능의 선형 함수를 사용하여 예측됩니다.
선형 회귀는 파라메트릭 모델로, 출력이 매개변수 집합의 함수임을 의미합니다. 파라미터는 최소 제곱법을 사용하여 훈련 데이터에서 학습됩니다.
선형 회귀는 회귀 및 분류 작업 모두에 사용할 수 있습니다. 회귀에 사용될 때 출력은 실제 값입니다. 분류에 사용될 때 출력은 클래스 레이블입니다.
선형 회귀는 비교적 간단한 알고리즘이며 scikit-learn 라이브러리를 사용하여 구현할 수 있습니다.
로지스틱 회귀는 이진 출력을 예측하는 데 사용되는 지도 학습 알고리즘입니다. 입력 특성의 로지스틱 함수를 사용하여 출력을 예측합니다.
로지스틱 회귀는 파라메트릭 모델로, 출력이 매개변수 집합의 함수임을 의미합니다. 매개변수는 최대 우도 방법을 사용하여 학습 데이터에서 학습됩니다.
로지스틱 회귀는 분류 알고리즘이며 분류 작업에만 사용할 수 있습니다. 출력은 0 또는 1일 수 있는 클래스 레이블입니다.
로지스틱 회귀는 비교적 간단한 알고리즘이며 scikit-learn 라이브러리를 사용하여 구현할 수 있습니다.
지원 벡터 머신(SVM)은 이진 출력을 예측하는 데 사용되는 감독 학습 알고리즘 유형입니다. 출력은 입력 기능의 선형 함수를 사용하여 예측됩니다.
SVM은 비선형 모델입니다. 즉, 출력이 매개변수 집합의 함수가 아닙니다. 매개변수는 최대 마진 분류기를 사용하여 학습 데이터에서 학습됩니다.
SVM은 분류 알고리즘이며 분류 작업에만 사용할 수 있습니다. 출력은 0 또는 1일 수 있는 클래스 레이블입니다.
SVM은 로지스틱 회귀보다 복잡한 알고리즘이며 구현하기가 더 어려울 수 있습니다. scikit-learn 라이브러리에는 SVM 구현이 포함되어 있습니다.
결정 트리는 범주 출력을 예측하는 데 사용되는 지도 학습 알고리즘의 한 유형입니다. 출력은 트리형 모델을 사용하여 예측됩니다.
의사 결정 트리는 비선형 모델입니다. 즉, 출력이 매개변수 집합의 함수가 아닙니다. 재귀 분할 방법을 사용하여 학습 데이터에서 매개변수를 학습합니다.
결정 트리는 분류 알고리즘이며 분류 작업에만 사용할 수 있습니다. 출력은 클래스 레이블입니다.
결정 트리는 다른 알고리즘보다 구현하기가 더 어려울 수 있습니다. scikit-learn 라이브러리에는 결정 트리 구현이 포함되어 있습니다.
신경망은 실제 값 출력을 예측하는 데 사용되는 지도 학습 알고리즘의 한 유형입니다. 출력은 입력 기능의 비선형 함수를 사용하여 예측됩니다.
신경망은 비선형 모델입니다. 즉, 출력이 매개변수 집합의 함수가 아닙니다. 매개변수는 역전파 알고리즘을 사용하여 학습 데이터에서 학습됩니다.
신경망은 회귀 알고리즘이며 회귀 작업에만 사용할 수 있습니다. 출력은 실제 값입니다.
신경망은 다른 알고리즘보다 더 복잡한 알고리즘이며 구현하기가 더 어려울 수 있습니다. scikit-learn 라이브러리에는 신경망 구현이 포함되어 있습니다.
이 기사에서는 가장 인기 있는 지도 학습 알고리즘에 대해 논의했습니다. 또한 Python에서 이러한 알고리즘을 구현하는 방법에 대해서도 논의했습니다.