본문 바로가기

회귀분석2

[ML] day4 지도학습 - 로지스틱 회귀 분석 로지스틱 회귀분석 * 로지스틱 회귀 분석 * 실습 import pandas as pd df = pd.read_csv('../data/wine_data.csv') features = ['Alcohol', 'Malic', 'Ash', 'Alcalinity', 'Magesium', 'Phenols', 'Flavanoids', 'Nonflavanoids', 'Proanthocyanins', 'Color', 'Hue', 'Dilution', 'Proline'] X = df[features] y = df['class'] # 트레이닝 / 테스트 데이터 분할 from sklearn.model_selection import train_test_split X_tn, X_te, y_tn, y_te = train_test_s.. 2023. 7. 21.
[ML] day4 지도학습 - 회귀분석(Ridge, Lasso, ElasticNet) 선형 회귀 분석 * 선형 회귀 분석 - 피처(독립 변수)가 1개이면 단순 회귀 분석 - 예측 결과를 중요시하기 때문에 머신러닝에서는 가정을 무시함 * W를 구하는 방법 * 최소 제곱 추정량 ( Least square estimator ) - 미분해서 0이 되는 값을 찾는 것이 목적! * 다시 선형 회귀 분석 * 결정 계수 R^2 * 단순 회귀 분석 개념 ==> 회귀 분석 * 다중 공선성 - 상관관계성을 이용해서 다중 공선성을 가지고 있는 피처를 쳐낼 수 있음 ( 차원 축소 ) * 차원 축소 - 카이제곱 검정을 통해 상관관계를 가지는 피처를 걸러냄 (regulization이 이런 경우 사용됨) - 다중 공선성 문제를 해결하는데 라쏘 도움됨 ( ∵ 차원 축소) ==> 라쏘와 릿지 두가지 정규화를 동시에 사용.. 2023. 7. 20.

티스토리툴바