머신러닝

08-1 합성곱 신경망의 구성 요소합성곱합성곱은 밀집층과 비선형 활성화 함수의 결합을 통해 입력과 가중치를 곱하고 절편을 더하는 선형 변환입니다. 그러나 밀집층과 달리 각 합성곱은 입력 전체가 아니라 일부만 사용하여 선형 변환을 수행합니다.합성곱 층의 필터는 밀집층의 뉴런에 해당합니다. 필터의 가중치와 절편은 중첩 커널이라고 부릅니다. 자주 사용되는 커널의 크기는 (3, 3) 또는 (5, 5)입니다. 커널의 깊이는 입력의 깊이와 같습니다.특성 맵특성 맵은 합성곱 층이나 풀링 층의 출력 배치를 의미합니다. 필터 하나가 하나의 특성 맵을 만듭니다. 합성곱 층에 5개의 필터를 적용하면 5개의 특성 맵이 만들어집니다.패딩패딩은 합성곱 층 입력 주위에 추가한 0으로 채워진 픽셀입니다. 패딩을 사용하지 않는 것을 ..

차원축소원본 데이터의 특성을 적은 수의 새로운 특성으로 변환하는 비지도 학습의 한 종류입니다.차원 축소는 저장 공간을 줄이고 시각화하기 쉽습니다. 주성분 분석차원 축소 알고리즘의 하나로 데이터에서 가장 분산이 큰 방향을 찾는 방법입니다.이런 방향을 주성분이라고 부릅니다. 원본 데이터를 주성분에 투영하여 새로운 특성을 만들 수 있습니다.일반적으로 주성분은 원본 데이터에 있는 특성 개수보다 작습니다. 확인문제:1. 2, 특성의 개수만큼 주성분 찾을 수 있다.2. 1, (1000, 100) 크기 데이터셋에서 10개의 주성분을 찾아 변환하면 샘플의 개수는 그대로이고 특성 개수만 100에서 10으로 바뀝니다. 즉, (1000, 100)3. 1, 주성분 분석은 가장 분산이 큰 방향부터 순서대로 찾습니다. 따라서 첫..

결정 트리결정 트리 모델은 모델을 설명하기 쉽다. =  스무고개와 같다. 노드는 트리의 핵심구성요소와 같다.트리는 다음과 같은 내용을 가진다. 왼쪽이 yes 오른쪽이 no이다. 지니 불순도지니 불순도는 노드에서 데이터를 분할할 기준을 정할 때 사용한다.0은 순수한 노드이고 0.5가 나오면 최악의 지니 불순도이다. 만약 100개의 샘플이 있고 그 노드의 두 클래스 비율이 정확히 1/2라면 지니 불순도는 0.5로 최악이다.1 - (0.5^2 + 0.5^2) = 0.5 원래 결정 트리 모델은 부모 노드와 자식 노드의 불순도의 차이가 가능한 크도록 트리를 성장시킨다. Information Gain부모 노드와 자식 노드의 불순도 차이 엔트로피엔트로피도 지니 불순도와 동일하게 결정트리의 불순도를 구하는데 사용된다...

주요 키워드로지스틱 회귀다중 분류시그모이드 함수소프트맥스 함수04-1 로지스틱 회귀다중분류란타겟 데이터에 2개 이상의 클래스가 포함된 문제이다.예를 들어, 데이터(ex 사진, csv)를 보고 이게 어떤 클래스인지 - 사진 보고 고양이인지, 강아지인지, 소인지, 돼지인지 구분하는 하지만 구분하는 클래스 (동물의 수)가 2개 이상이면 다중분류라고 한다. 로지스틱 회귀란말은 회귀지만 정작 하는건 분류 모델이다.확률이라서 0~1사이의 값을 가진다. 이 때 사용하는 것이 시그모이드 함수(로지스틱 함수 or 로짓)이다.시그모이드 함수특정 값을 넣으면 이런 그래프를 그리게 된다. 결국 0~1사이값. 소프트맥스 함수란이진 분류 = 시그모이드다중 분류 = 소프트맥스다중 분류의 선형방정식에서 z값을 클래스의 개수만큼 가지..