KT 에이블스쿨 AIVLE school 4기 머신러닝, 미프 3차

 

 

에이블스쿨 DX컨설턴트 반에서는 한달가량 데이터 다루기, 수집, 분석을 배우고 나서 머신러닝, 딥러닝 수업에 들어갑니다!

 

머신러닝ML이란 인간의 학습방법을 모방하는 인공지능의 한 분야입니다

지도, 비지도, 준지도, 강화학습으로 나눠지고

AIVLE DX반에서는 인공지능 개발자가 되는게 목표가 아니라 컨설팅 제안을 하기 위해 기술도 배우는 거다 보니 지도학습, 비지도 학습만 간단히 배우게 돼요~

 

 

우선적으로 배우는 지도학습에서는 분류, 회귀 학습방법에 배우는데

문제 유형을 파악한 후 알고리즘, 평가 방법을 선택해서 관련 함수를 사용해서 모델링을 했습니다~

분류문제 : 범줏값 예측	회귀문제 : 연속적인 숫자 예측
DecisionTreeClassifier KNeighborsClassifier LogisticRegression RandomForestClassifier XGBClassifier	LinearRegression KNeighborsRegression DecisionTreeRegressor RandomForestRegressor XGBRegressor
accuracy_score recall_score precision_score classification_report confusion_matrix	mean_absolute_error mean_squared_error root_mean_squared_error mean_absolute_percentage_error r2_score

 

---

 

모델을 만들고 학습, 평가하기 위한 데이터는 sklearn(사이킷런)을 이용해서 분리를 해줍니다

 

 

< 모델링 코드 구조 >

1) 사용할 알고리즘과 평가를 위한 함수 불러오기

 2) 모델 선언

3) fit(x_train, y_train) 형태로 모델 학습

4) 모델.predict(x_test) 예측

5) 실제값과 예측값 을 통한 성능 평가

 

 

모델을 학습, 평가용 데이터로 나누기 전에는 전처리가 필요해요!

필요 없는 변수가 들어가 있는 열을 제거, 결측치제거를 해줍니다

 

---

 

회귀 성능 평가인

MSE, RMSE, MAE, MAPE는 작을수록, R2 Score는 클수록 좋고

예측한 값과 실제 값 사이의 오차를 줄이는게 관건

 

분류 성능 평가는 정확도를 높이는게 관건

accuracy(정확도) : 1과 0을 정확히 예측한 비율

precision(정밀도) : 1이라 예측한 것 중 정말 1인 비율

recall(재현율) : 실제 1인 것을 1이라고 예측한 비율

f1-score : precision과 recall의 조화평균

 

---

 

실습을 하면서 다양한 알고리즘을 사용해서 모델을 만들고 성능을 평가하는 작업을 가졌습니다

 

처음에는 모델링 자체가 낯설었지만 다양한 함수들을 통해 모델링을 연습하다 보면 익숙해지더라구요~

개별 실습이 많아서 이론으로만 듣고 끝내지 않고 스스로의 것으로 체득할 수 있게 해주셔서 좋았습니다!

함수들을 사용할 때는 정확도를 높일 수 있게 적절한 파라미터를 찾는게 중요해요

ex) KNeighbors의 K값, DecisionTree의 max_depth 등

 

---

 

미니 프로젝트 3차에서는

데이터에서 추출한 feature값들을 중요도에 맞게 정렬한 다음 시각화도 하고 

 

다양한 모델을 사용해서 가장 최적의 정확도를 보이는 모델을 찾아내기도 했어요

 

 

또 배운 머신러닝을 이용해서 군집별 특성을 정의하고 조원들끼리 실습한 걸 데이터를 모아서 마케팅 방안도 도출해냈습니다

 

미니프로젝트를 할 때마다 느끼지만 본 수업을 들을 때 그냥 듣고 흘리는게 아니라 수업 후 시간을 이용해서 복습도 해보고 들은 내용을 자기걸로 만든 다음에 응용도 해보는게 도움이 많이 되는 것 같아요

또 코딩보다는 마케팅 방안을 생각해내는게 항상 저한테는 어려웠는데 조원들과 토의하면서 다양한 시각도 생각해볼 수 있고 많이 배우는 것 같습니다🥰