5 Sat

현업 실무자에게 배우는 Kaggle 머신러닝 입문

선형회귀(Linear Regression) 소개

• 선형 함수를 이용해서 회귀를 수행하는 모델

Regression 알고리즘의 성능평가 지표 - MSE, RMSE, MAE

학습된 예측 모델의 성능을 평가할 수 있어야 한다.

성능을 평가하는 척도는 많으며 그 중 평균 제곱 오차, MSE를 많이 사용한다.

• MSE가 작은 모델은 좋은 모델로 볼 수 있다.

MSE는 차이를 제곱해서 더하므로 차이가 증폭되는 문제가 있다. 이를 제거하기 위해 MSE에 루트를 씌운 형태의 RMSE도 많이 사용한다

또한, 예측값과 정답간의 차이에 절댓값을 취한 MAE, Mean Absolute Error도 활용될 수 있다

scikit-learn 소개

• 선형 회귀를 포함한 다양한 머신러닝 모델을 쉽고 간편하게 구현할 수 있도록 도와주는 라이브러리

기본 사용법

• Estimator 선언

  • ex) LinearRegression

• .fit() 함수 호출을 통한 트레이닝

• .predict() 함수 호출을 통한 예측

데이터 나누기

from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test =\
    train_test_split(X, y, test_size=0.2)

Estimator 선언하기

from sklearn.linear_model import LinearRegression
lr = LinearRegression()

MSE, RMSE 정의하기

from sklearn.metrics import mean_squared_error
MSE = mean_squared_error(y_test, y_preds)
RMSE = np.sqrt(MSE)

Linear Regression으로 키에 대한 몸무게 예측해보기

예측 모델

• Input : 키

• Output : 몸무게

• Estimator : Linear Regression

df.apply(lambda x: x * 2.54)

• df내의 모든 데이터를 람다 함수를 거쳐 변환한다.

Kaggle 및 Kaggle Competition 소개

캐글

• 세계 최대의 데이터 과학자 커뮤니티

• Data Scientist를 위한 데이터 분석 및 예측 경진대회 플랫폼

• 기업 및 단체에서 데이터와 해결 과제를 등록하면, Kaggle의 Data Scientist들이 이 문제를 해결하는 데이터 분석 및 모델을 개발하고 경쟁한다.