165개의 Dataset에서 13개의 ML 알고리즘 비교 (Hint : 그라디언트 부스팅 사용)
원문 https://machinelearningmastery.com/start-with-gradient-boosting/ 어떤 머신러닝 알고리즘을 사용해야 하는가 ? 머신 러닝을 적용하는 데 있어서 중심 질문임. Randal Olson 등의 최근 논문에서, 그들은 더 넓은 알고리즘 집합을 확인하기 전에, 당신의 문제를 먼저 시도할 알고리즘과 파라미터에 대해 가이드를 제공하고 그 문제에 답을 하기 위해 시도함. 이 포스트에서, 당신은 많은 수의 머신러닝 Dataset에 따라 여러 머신러닝 알고리즘을 평가하여 얻은 연구와 이 연구에서 제시된 권장 사항을 발견하게 될 것임. 이 포스트를 읽은 후에, 당신은 알게 될 것임 : 앙상블 트리 알고리즘들이 넓은 범위의 Dataset에서 좋은 수행을 낸다는 것. Sil..
Keras에서 LSTM(Long Short Term Memory) 네트워크에 대한 입력 데이터를 재구성 하는 방법
원본 https://machinelearningmastery.com/reshape-input-data-long-short-term-memory-networks-keras/ 당신의 LSTM 모델의 입력 시퀀스 데이터를 준비하는 방법에 대해 이해하는 것이 어려울 수 있음. 종종 LSTM 모델에 대해 입력층을 정의하는 방법에 대해 혼란이 있음. 또한, 당신의 숫자의 1차원 또는 2차원 행렬일 수 있는 시퀀스 데이터를 LSTM layer에 필요한 3차원 형식으로 변환하는 방법에 대한 혼란도 있음. 이 튜토리얼에서 당신은 LSTM 모델의 input layer를 정의하는 방법과 LSTM 모델에 대해 당신이 로드한 데이터를 재구성하는 방법을 발견할 것임. 이 튜토리얼을 완료한 후에, 당신을 알 것임: LSTM 입력층..
원문 https://machinelearningmastery.com/boosting-and-adaboost-for-machine-learning/ 부스팅은 많은 약한 분류기를 가지고 강한 분류기를 만들 수 있도록 하는 앙상블 기술임. 이 포스트에서 당신은 머신 러닝에 관한 AdaBoost 앙상블 방법을 발견할 것임. 이 포스트를 읽은 후, 당신은 알게 될것임. 부스팅 앙상블 방법이 무엇인지 그리고 일반적으로 어떻게 동작하는지. AdaBoost 알고리즘을 사용하여 의사결정나무를 향상시키는 방법. 학습된 AdaBoost 모델을 사용하여 예측 하는 방법. AdaBoost 알고리즘을 사용하기 위해 당신의 데이터를 가장 좋게 준비하는 방법. 이 포스트는 개발자들에 의해 쓰여졌으며, 통계 또는 수학에 관한 배경지식..
원문 https://machinelearningmastery.com/gentle-introduction-gradient-boosting-algorithm-machine-learning/ 그라디언트 부스팅은 예측 모델을 만드는데 있어서 가장 강력한 기술 중 하나임. 이 포스트에서, 당신은 그라디언트 부스팅 머신 러닝을 발견하고 어디서 파생됐는지, 어떻게 작동하는지에 대해 친절하게 소개할 것임. 이 포스트를 읽고 난 뒤, 당신은 알게 될 것임. 학습 이론으로 부터 부스팅의 기원과 AdaBoost. Loss function (손실 함수), Weak Learners (약한 학습기), additive model (추가적인 모델) 을 포함하여 그라디언트 부스팅이 어떻게 작동하는지. 다양한 Regularization..