[TIL] 2024-08-25 (ML)

Today I Learned (2024-08-25)

---

목차

• Today I Learned (2024-08-25)
• 오늘 공부한 내용
  • 1. 머신러닝
    • 어떻게 분류(Classification)할 수 있을까?
    • 샘플을 어떻게 컴퓨터에 전달할까?
    • 분류가 정확한지 어떻게 확인할까? - 성능평가
    • 조건부, 결합, 주변 확률 이해
    • 정리
• 어려웠던 내용
• 궁금한 내용과 부족한 내용
• 느낀 점

---

오늘 공부한 내용

1. 머신러닝

어떻게 분류(Classification)할 수 있을까?

• 샘플 : 수집된 다양한 데이터(전체 데이터가 아님, 원본 데이터를 전처리한 데이터)
• 샘플을 두 집합으로 분리
  • 훈련 집합(Training Set) : 정답까지 포함되어 있는 샘플들
  • 테스트 집합(Test Set) : 정답은 빠져 있는 샘플들
• 분류기 설계 : 분류할 모델 선정 (알고리즘 또는 모델 -> 함수로 생각하면 쉬움)
  • 클래스로 만들어진 객체
• 분류할 모델에 맞도록 샘플에서 특징(Feature) 추출 또는 가공(보통, feature engineering 이라고 함)
• 훈련 집합을 분류기에 넣어, 학습
• 테스트 집합으로 분류기 성능 평가

샘플을 어떻게 컴퓨터에 전달할까?

• 변환하기
  • 0과 1로 이루어진 데이터로 변환하기
• 행렬로 처리하기
  • 0과 1로 바뀐 데이터를 특별한 수학식을 사용해 벡터로 만들기 (특징 추출)
  • 벡터를 통해, 각 부류(class)가 주로 위치한 공간을 구분할 수 있는 선을 그어 판단
    • 선은 특별한 수학 기법으로 작성됨(이를 모델이라고 함)
    • y = wx + a

분류가 정확한지 어떻게 확인할까? - 성능평가

• 분류 목적에 맞게, 정의한 수학식을 통해, 분류 성능을 평가
• 단순히 맞다/아니다 외의 분류 목적에 맞게 다양항 성능 평가식이 있을 수 있다.
  • 예: 많이 사용되는 성능 평가식 - Precision(정밀도), Recall(재현율)
• 이외의 다양한 성능 평가식이 있음
• Precision(정밀도) : $\frac{TP}{TP+FP}$
• Recall(재현율) : $\frac{TP}{TP+FN}$
• TP(True Positive)
• FP(False Positive)
• FN(False Negative)
• TN(True Negative)

조건부, 결합, 주변 확률 이해

• 조건부 확률
  • 어떤 사건이 일어났다는 조건 하에 다른 사건이 일어날 확률
• 결합 확률
  • 두 가지 사건이 동시에 일어날 확률
• 주변 확률
  • 두 사건 이상이 동시에 일어났 수 있을 때, 하나의 특정 사건에 주목하여 그것이 일어날 확률

정리

• 데이터 수집
• 데이터 전처리(보통 숫자로 변환)
• 특징 가공 및 추출
• 모델 정의 -> 훈련 집합으로 모델 학습
• 테스트 집합으로 학습된 모델 테스트
• 정의한 성능 평가식으로 평가

---

어려웠던 내용

• 머신러닝

---

궁금한 내용과 부족한 내용

• 머신러닝

---

느낀 점

• 좋아. 해보자고