[패스트캠퍼스 수강 후기] R 인강 100% 환급 챌린지 41차 미션

[패스트캠퍼스 수강 후기] R 인강 100% 환급 챌린지 41차 미션

 

패스트캠퍼스의 강의 중, 프로젝트와 함께 배우는 R 데이터 분석 올인원 패키지 Online를 수강하고 있습니다.

https://bit.ly/2DKMGNx 

내용을 복습도 할 겸, 미션에도 참가할 겸, 블로그에 매일 매일 정리해 보게 되었습니다.

 

오늘은 41회차 미션!

Part 2) [R로 하는 데이터 분석] 데이터 분석 기본기 익히기

1. 28. Ch 06. Support Vector Machine (SVM) - 05. SVM 결과의 해석

2. 29. Ch 06. Support Vector Machine (SVM) - 06. SVM 예제 실습

 

1. 28. Ch 06. Support Vector Machine (SVM) - 05. SVM 결과의 해석

1. 먼서 선형 서포트 벡터 머신의 결과를 보자

1. 

2. 딱히 다른 값이 없으므로, 정확도만 확인하면 됨  97%

2. 비선형 서포트 벡터 머신은 결과가 복잡함

1. 정확도도 천차만별인 값이 나옴

2. degree: 다항식의 차수 (몇승이냐)

3. scale: 데이터를 늘렸다 줄였다.

4. C: cost임

1. 

5. 사실 서포트 벡터 머신은 '커널'이라는 개념을 사용함

1. 비선형 서포트 벡터 머신은 다음과 같은 커널을 사용함

1. caret에서는 Offset이 고정되어 있고, kernlab을 쓰면 Offset을 변경 가능

2. scale은 내적값의 크기를 변화시킴.

3. degree로 n승을 해줌

4. 

5. degree를  다시 설명하면

1. 커널의 차수를 설정

6. scale은 다항식의 파라미터를 스케일링

7. C = cost

1. 로지스틱에서 배운 cost와 동일

1. 모델의 비용값을 고정시켜놓고 학습시키는 것

1. 학습 모형의 비용을 설정

2. 다시 말해서 에러값을 비용이라 하는 것

1. 어느 정도의 에러를 허용할 지 정하는 것

2. 경계선의 복잡성을 컨트롤하는 변수

2. 29. Ch 06. Support Vector Machine (SVM) - 06. SVM 예제 실습

1. 이제 실제 데이터로 실습

1. 언제나처럼 와인데이터를 사용

2. 데이터 가져오고, 범주화하고. ^^

3. 데이터 셋도 나누어주고 7:3으로

2. 먼저 선형 서포트 벡터 머신

1. 

1. 이 결과를 가지고 예측해보면 94.44%

1. 

2. 변수별 중요도

1. 

3. 비선형 서포트 벡터 머신 사용

1. 

1. degree = 1, scale = 0.01, C=0.5일 때, 정확도가 99.21%

2. 이제 예측을 해보자

1. 정확도가 92%

2. 

3. 변수의 중요도 확인

1. 

4.  선형과 비선형의 정확도 비교

1. 학습데이터만 놓고 보면 비선형이 훨씬 더 정확했음

2. 그런데, 테스트 데이터에 대한 정확도는 선형이 더 정확

3. 즉, 비선형은 오버피팅이 잘 나타남...

1. 

4. 하지만 그렇다고 해서 꼭 비선형이 나쁘다고 볼 수는 없음

1. 데이터마다 다를 수 있음~

3. 지금까지 다룬 것들

1. k최근접

2. 로지스틱 회귀분석

3. 나이브 베이즈

4. 의사결정나무 & 랜덤 포레스트

5. 서포트 벡터 머신

4. 결국 어느 방법이 제일 낫다고 하지 말라.

1. 어느 특정방법만 선호하면 안된다.

2. 편견없이 방법을 활용하라.

3. 각각의 방법도 더 세부적인 모델들이 있다는 것도 기억하라.

1. caret 매뉴얼도 한번 보시면 좋고~