데이터 한 그릇

회귀 소개 단순 선형 회귀를 통한 회귀 이해 비용 최소화하기 - 경사 하강법(Gradient Descent) 소개 회귀 평가 지표 회귀 소개 통계학 용어를 빌리면, 회귀는 여러 개의 독립변수와 한 개의 종속변수 간의 상관관계를 모델링하는 기법을 칭한다. 예를 들어서 아파트의 방의 수, 방의 크기, 주변 학군 등에 따라서 아파트의 가격이 결정이 되는 경우, 종속변수는 아파트의 가격이라고 할 수 있으며 방의 수 , 방의 크기, 주변 학군은 독립변수라고 할 수 있다. 회귀 모델의 확정적 모델같은 경우에는 y= ax와 같은 식으로 표현이 가능하다. 앞선 아파트의 가격 예시를 통해 확정적 모델을 만들면 y=ax1(방의 크기) + bx2(방의 수) + cx3(주변 학군) + b 라고 할 수 있다. 하지만 현실 세계..

로지스틱 회귀 모형과 LightGBM 을 통해서 분류 임계값 조정과 GridSearchCV로 파라미터 최적화는 시키지 않았음 중요한 피처를 정규분포화 시킴(numpy log1p, StandaraScaler 사용) Class(타겟 피처)와 상관관계 높은 피처를 선정하여 이상치 제거 후 모델링 진행 데이터가 편향되어 있기 때문에 imblearn 패키지를 이용하여 SMOTE으로 오버 샘플링 진행 참고 : 파이썬 머신러닝 완벽 가이드