인공지능 학습 분류
🔨 절차형
💡
학습 전략: 연습 (Practice)
즉시 실전에 적용해 보는 것이 핵심
학습 분류 개요
Supervised learning(지도학습)은 학습 데이터로 input과 label(target) 값을 공급하는 학습 방법입니다.
지도학습은 크게 두 가지로 나눌 수 있습니다.
1. Classification (분류) 기법
특정한 값을 분류해내는 기법으로, 다음과 같은 알고리즘들이 포함됩니다:
- 로지스틱 회귀 (Logistic Regression)
- 선형 판별 분석 (Linear Discriminant Analysis)
- K-최근접 이웃 (k-Nearest Neighbors, k-NN)
- 트리 (Decision Trees)
- 인공 신경망 (Artificial Neural Networks)
- 서포트 벡터 머신 (SVM)
2. Regression (회귀) 기법
분류 기법과 달리 label(결과)의 값이 연속적인 특징을 가집니다.
예시
- 집 가격 예측
- 온도 예측
- 주가 예측
분류 vs 회귀
| 특징 | 분류 (Classification) | 회귀 (Regression) |
|---|---|---|
| 출력 | 범주형 (이산형) | 연속형 |
| 예시 | 스팸/정상, 고양이/개 | 가격, 온도 |
| 평가 지표 | 정확도, F1-score | MSE, RMSE, MAE |
Python 예제
분류 (Classification)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
from sklearn.linear_model import LogisticRegression
from sklearn.datasets import load_iris
# 데이터 로드
iris = load_iris()
X, y = iris.data, iris.target
# 모델 학습
model = LogisticRegression()
model.fit(X, y)
# 예측
predictions = model.predict(X[:5])
print(predictions)
회귀 (Regression)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
from sklearn.linear_model import LinearRegression
import numpy as np
# 데이터 생성
X = np.array([[1], [2], [3], [4], [5]])
y = np.array([2, 4, 6, 8, 10])
# 모델 학습
model = LinearRegression()
model.fit(X, y)
# 예측
predictions = model.predict([[6]])
print(predictions) # 약 12