[혼공학습단] - 혼공머신 2주차(7/10 ~ 7/16)

 

 

 

기본미션

주차	진도	기본 미션
2주차 (07/10 ~ 16)	chapter 03	Ch.03(03-1) 2번 문제 출력 그래프 인증하기

 

 

참고로 아래 코드는 train_input, train_target 데이터가 존재하는 가정하에, 작성된 코드이다.

#k-최근접 이웃 회귀 객체를 만듭니다.
knr = KNeighborsRegressor()

# 5에서 45까지 x좌표를 만듭니다.
x = np.arange(5, 45).reshape(-1,1)

# n = 1, 5, 10일때 예측 결과를 그래프로 그립니다.
for n in [1, 5, 10]:
  #모델을 훈련합니다.
  knr.n_neighbors = n
  knr.fit(train_input, train_target)
  
  prediction = knr.predict(x)
  
  #훈련 세트와 예측 결과를 그래프로 그립니다.
  plt.scatter(train_input, train_target)
  plt.plot(x, prediction)
  plt.title('n_neighbors = {}'.format(n))
  plt.xlabel('length')
  plt.ylabel('weight')

  plt.show()

 

다음과 같은 그래프가 그려진다.

(분류문제에서는 동률을 막기 위해 홀수로 k값을 준다고 하나, 여기서는 회귀문제라 10을 준 것 같다.)

 

k값이 늘어남에 따라 예측값이 어떻게 변하는 지를 알 수 있다.

k값이 작을수록 과적합(overfitting) 문제를 야기할 수 있고, 또 k값이 커질수록 데이터 포인트들 사이의 세부적인 경계를 감지하기 어렵게 만들 수 있다. 

 

 

좀 더 확실한 비교를 위해 그래프 3가지를 하나의 그래프로 표현하면 다음과 같다.

k값이 1인 빨간선은  그래프가 날카롭고 10인 초록선은 뭉툭한 모습을 보여준다. 

 

 

 

 

 

선택미션

주차	진도	선택 미션
2주차 (07/10 ~ 16)	chapter03	모델 파라미터에 대해 설명하기

 

모델 파라미터 설명하기

모델 파라미터는 기계학습 모델에서 학습되는 가중치(weight)와 편향(bias) 값들을 의미한다.

이러한 파라미터들은 모델이 데이터를 학습하고 예측을 수행하는 데 사용된다.

 

간단한 예시로 입력 변수(x)와 출력변수(y)의 선형관계를 표현한 1차 회귀식(단순회귀식) 모형이 있다고 가정해보자.

 

$y = wx + b$

• y는 출력 변수
• x는 입력 변수
• w 가중치(weight)로서 x의 영향력
• b는 편향(bias) 혹은 상수로서 y의 절편

여기서 w와 b가 모델 파라미터이다. 이 모델을 학습시키기 위해서 주어진 학습 데이터에서 w와 b값을 조정해야한다.

 

머신러닝에서는 이 파라미터 값을 학습 과정에서 최적화하여 조정된다. 

 

 

---

 

2023.07.18 - [스터디/혼공학습단 - 머신러닝+딥러닝] - [혼공학습단] 다른 회귀분석 모델을 써보자

[혼공학습단] 다른 회귀분석 모델을 써보자