[혼자 공부하는 머신러닝 + 딥러닝] 5강_정교한 결과 도출을 위한 데이터 전처리 알아보기

5강_정교한 결과 도출을 위한 데이터 전처리 알아보기


넘파이로 데이터 준비하기

  • column_stack()
    • 전달받은 리스트를 일렬로 세운 다음 차례대로 나란히 연결
  • 튜플
    • 리스트처럼 원소에 순서가 있지만 한 번 만들어진 튜플은 수정할 수 없음.
    • 매개변수 값으로 많이 사용.
  • np.ones() / np.zeros()
    • 각각 원하는 개수의 1과 0을 채운 배열을 만들어 줌. 
  • np.concatenate()
    • 첫 번째 차원을 따라 배열을 연결
  • 넘파이 배열은 핵심 부분이 C, C++과 같은 저수준 언어로 개발되어서 빠르고, 데이터 과학 분야에 알맞게 최적화 되어 있음.
    • 데이터가 클수록 파이썬 리스트는 비효율적이므로 넘파이 배열을 사용하는게 좋음.


사이킷런으로 훈련 세트와 테스트 세트 나누기

  • train_test_split()
    • 전달되는 리스트나 배열을 비율에 맞게 훈련 세트와 테스트 세트로 나누어줌 .
    • 섞어도 줌.
    • stratify 매개변수
      • 클래스 비율에 맞게 데이터를 나눔.
      • 훈련 데이터가 작거나 특정 클래스의 샘플 개수가 적을 때 특히 유용.
  • 넘파이 배열의 크기는 파이썬의 튜플로 표현됨.
    • 튜플의 원소가 하나면 원소 뒤에 콤마를 추가함.
  • 무작위로 데이터를 나누면 샘플링 편향이 나타날수있음.
    • 특히 일부 클래스의 개수가 적을 때


수상한 도미 한 마리

  • k-최근접 이웃 훈련
  • kneighbors()
    • 이웃까지의 거리와 이웃 샘플의 인덱스를 반환
  • indexes 배열
    • 훈련 데이터 중에서 이웃 샘플을 따로 구분해 그릴 수 있음.
  • X축 범위와 Y축 범위가 다르기 때문에 문제 발생


기준을 맞춰라

  • X축의 범위와 Y축의 범위 기준 맞추기
  • xlim() / ylim()
    • 범위 지정 함수
  • 스케일
    • 두 특성(길이와 무게)의 값이 놓인 범위가 매우 다름.
    • 데이터를 표현하는 기준이 다르면 알고리즘이 올바르게 예측할 수 없음.
  • 데이터 전처리
    • 제대로 사용하려면 특성값을 일정한 기준으로 맞춰 주어야 함. 
  • 표준함수 ( z 점수 )
    • 가장 널리 사용하는 전처리 방법 중 하나
    • 각 특성값이 평균에서 표준편차의 몇 배만큼 떨어져 있는지를 나타냄. 
      • 실제 특성값의 크기와 상관없이 동일한 조건으로 비교 가능
  • 표준점수와 표준편차
    • 분산은 데이터에서 평균을 뺀 값을 모두 제곱한 다음 평균을 내어 구함.
    • 표준편차는 분산의 제곱근으로 데이터가 분산된 정도를 나타냄
    • 표준점수는 각 데이터가 원점에서 몇 표준편차만큼 떨어져 있는지를 나타내는 값
  • np.mean() - 평균 / np.std() - 표준편차
  • 브로드캐스팅
    • 브로드캐스팅은 넘파이 배열 사이에서 일어남. 
    • train_input, mean, std가 모두 넘파이 배열. 


전처리 데이터로 모델 훈련하기

  • 훈련 세트의 mean, std를 이용해서 변환해야함.
  • 훈련 후 테스트 세트를 평가할 때는 훈련 세트의 기준으로 테스트 세트를 변환해야 같은 스케일로 산점도를 그릴 수 있음.
  • 목적: 특성값의 스케일에 민감하지 않고 안정적인 예측을 할 수 있는 모델을 만드는 것.


스케일이 다른 특성 처리 (문제 해결 과정)

  • 스케일이 다름
  • 이를 위해 특성을 표준점수로 변환
  • 전처리시 주의 사항
    • 훈련 세트를 변환한 방식 그대로 테스트 세트를 변환해야 함.


키워드로 끝나는 핵심 포인트

  • 데이터 전처리
    • 머신러닝 모델에 훈련 데이터를 주입하기 전에 가공하는 단계를 말함.
    • 때로는 데이터 전처리에 많은 시간이 소모되기도 함.
  • 표준점수
    • 훈련 세트의 스케일을 바꾸는 대표적인 방법 중 하나.
    • 표준점수를 얻으려면 특성의 평균을 빼고 표준편차로 나눔. 
    • 반드시 훈련 세트의 평균과 표준편차로 테스트 세트를 바꿔야 함.
  • 브로드캐스팅
    • 크기가 다른 넘파이 배열에서 자동으로 사칙 연산을 모든 행이나 열로 확장하여 수행하는 기능


핵심 패키지와 함수

  • scikit-learn
    • train_test_split()
      • 훈련 데이터를 훈련 세트와 테스트 세트로 나누는 함수.
      • 여러 개의 배열을 전달 할 수 있음.
      • 테스트 세트로 나눌 비율은 test_size 매개변수에서 지정할 수 있음 (기본값은 25%)
      • shuffle 매개변수로 세트를 나누기 전 무작위로 섞을지 여부를 결정 가능. 
      • stratify 매개변수는 클래스 비율에 세트를 나눔.
    • kneighbors()
      • k-최근접 이웃 객체의 매서드
      • 입력한 데이터에 가장 가까운 이웃을 찾아 거리와 이웃 샘플의 인덱스를 반환.
      • return_distance 매개변수를 False로 지정하면 이웃 샘플의 인덱스만 반환하고 거리는 반환하지 않음.

댓글

댓글 쓰기

이 블로그의 인기 게시물

[혼자 공부하는 머신러닝 + 딥러닝] 17강_인공 신경망: 간단한 인공 신경망 모델 만들기

이미지
17강_인공신경망: 간단한 인공 신경망 모델 만들기 딥러닝과 인공 신경망 알고리즘을 이해하고 텐서플로를 사용해 간단한 인공 신경망 모델을 만들어 봄.  <혼자 공부하는 머신러닝+딥러닝>의 코드 저장소 인공 신경망 패션 MNIST MNIST 딥러닝을 처음 배울 때 많이 사용하는 데이터 셋. 0~9 까지의 숫자로 이루어져 있음 MNIST 와 크기, 개수가 동일하지만 숫자 대신 패션 아이템으로 이루어진 데이터. 텐서플로우(케라스)를 사용해 데이터를 불러옴 로지스틱 회귀로 패션 아이템 분류하기  확률적 경사 하강법 샘플을 하나씩 꺼내서 모델을 훈련하는 방법. 넘파이 배열의 바이트 크기 nbytes 속성에 저장되어 있음. 인공 신경망 출력층 신경망의 최종 값을 만든다는 의미 뉴런 z 값을 계산하는 단위 유닛 뉴런이라는 표현 대신에 부름 입력층 픽셀값 자체, 특별한 계산을 수행하지 않음.  1943년 워런 매컬러와 월터 피츠가 제안한 뉴런 모델 매컬러-피츠 뉴런 생물학적 뉴런에서 영감을 얻음 기존의 머신러닝 알고리즘이 잘 해결하지 못했던 문제에서 높은 성능을 발휘하는 새로운 종류의 머신러닝 알고리즘일 뿐. 딥러닝 인공신경망과 거의 동의어로 사용됨 혹은 심층 신경망을 딥러닝이라고 함.  여러 개의 층을 가진 인공 신경망 텐서플로와 케라스 텐서플로 구글이 2015년 11월 오픈소스로 공개한 딥러닝 라이브러리 알파고가 이세돌 9단을 이겨 폭발적 인기 끔. 케라스 텐서플로의 고수준 API  2015년 3월 프랑소와 숄레가 만든 딥러닝 라이브러리 그래픽 처리 장치인 GPU 사용하여 인공 신경망 훈련 (벡터와 행렬 연산에 매우 최적화) 멀티-백엔드 케라스 인공 신경망으로 모델 만들기  인공 신경망에서 교차 검증을 사용하지 않고 검증 세트를 사용하는 이유 딥러닝 분야의 데이터셋은 충분히 크기 때문에 검증 점수가 안정적 교차 검증을 수행하기에는 훈련 시간이 너무 오래 걸리기 때문.  밀집층 완전 연결층 활성화 함수...
자세한 내용 보기

[솔트룩스] 새싹 인공지능 응용 SW 개발자 양성과정 | 24일차 | 5. 머신러닝 (2)

이미지
  2022.01.17  | 24일차 | 5. 머신러닝 (2)     - 권혜윤 강사님 ( yujinkwon@nate.com )     - Decision Tree 수업 내용 코드 (코랩)     - Random Forest 수업 내용 코드 (코랩)      Decision Tree 분리 기준 (Split Criterion)  부모 마디로부터 자식 마디들이 형성될 때, 생성된 자식 노드에 속하는 자료의 순수도가 가장 크게 증가하도록 트리를 형성하며 진행 입력 변수를 이용해 목표 변수의 분포를 얼마나 잘 구별하는 정도를 파악해 자식 마디가 형성되는데, 목표 변수의 구별 정도를 불순도에 의해 측정 지니 지수 (Gini Index) : 데이터 집합의 불순도를 측정 0~1 사이의 값 어떤 데이터 집합에 속한 개체들이 같은 범주로 구성되어 있으면 지니 지수는 최솟값이 0을 갖고, 해당 데이터 집합은 순수하다고 볼 수 있음. 즉, 지니 지수가 작을수록 잘 분류된 것. Tree 만든 데이터는 정확도가 100%  데이터 보고 Gini 계산해서 Tree를 만들었기 때문 모든 데이터로 Tree를 만들어서 만든 Tree가 정확한 Tree인지 알 수 없음 해결방안 전체 75% 로 Tree를 만들고 (Train Set), 일부 25% 는 보관 (Test Set), 나중에 Test set 데이터로 Tree가 얼마나 정확한지 측정 강의자료 실습 Decision Tree [실습교재코드] 패키지 설명  Scikit-learn (sklearn) Python 프로그래밍 언어용 기계학습(Machine Learning) 관련 라이브러리 (Library) sklearn.metrics scikit-learn 패키지 중 모형평가에 사용되는 서브 패키지 classification_report: 주요 분류 측정 항목을 보여주는 보고서 모듈 confusion_matrix: 분류...
자세한 내용 보기

[혼자 공부하는 머신러닝 + 딥러닝] 10강_확률적 경사 하강법 알아보기

이미지
10강_확률적 경사 하강법 알아보기 경사 하강법 알고리즘을 이해하고 대량의 데이터에서 분류 모델을 훈련하는 방법을 배움.  <혼자 공부하는 머신러닝+딥러닝>의 코드 저장소 확률적 경사 하강법 점진적인 학습 앞서 훈련한 모델을 버리지 않고 새로운 데이터에 대해서만 조금씩 더 훈련하는 방법 (온라인 학습)  대표적인 점진적 학습 알고리즘은 확률적 경사 하강법 확률적 경사 하강법  훈련 세트에서 랜덤하게 하나의 샘플을 고르는 것  가장 가파른 길을 찾아 내려오지만 조금씩 내려오는 것이 중요 (모델 훈련) 확률적 전체 샘플을 사용하지 않고 딱 하나의 샘플을 훈련 세트에서 랜덤하게 골라 가장 가파른 길을 찾음.  에포크 훈련 세트를 한 번 모두 사용하는 과정 미니배치 경사 하강법 여러 개의 샘플을 사용해 경사 하강법을 수행하는 방식 배치 경사 하강법 극단적으로 한 번 경사로를 따라 이동하기 위해 전체 샘플을 사용하는 것. 가장 안정적인 방법이나 컴퓨터 자원을 많이 사용함.  신경망 모델이 확률적 경사 하강법이나 미니배치 경사 하강법을 사용함.  손실함수 어떤 문제에서 머신러닝 알고리즘이 얼마나 엉터리인지를 측정하는 기준 손실함수와 비용함수 손실 함수는 샘플 하나에 대한 손실을 정의하고 비용 함수는 훈련 세트에 있는 모든 샘플에 대한 손실 함수의 합을 말함.  손실함수는 미분 가능해야함.  로지스틱 회귀 모델의 확률 출력 로지스틱 손실 함수 (이진 크로스엔트로피 손실 함수) 양성 클래스(타깃 = 1)일 때 손실은 -log(예측 확률)로 계산 확률이 1에서 멀어질수록 손실은 아주 큰 양수가 됨.  음성 클래스(타깃 = 0)일 때 손실은 -log(1-예측확률)로 계산 이 예측 확률이 0에서 멀어질수록 손실은 아주 큰 양수가 됨.  이진 분류는 로지스틱 손실 함수를 사용하고 다중 분류는 크로스엔트로피 손실 함수를 사용.  - 회귀는 어떤 손실함수를 사용하나? '...
자세한 내용 보기