일 | 월 | 화 | 수 | 목 | 금 | 토 |
---|---|---|---|---|---|---|
1 | 2 | 3 | 4 | 5 | 6 | 7 |
8 | 9 | 10 | 11 | 12 | 13 | 14 |
15 | 16 | 17 | 18 | 19 | 20 | 21 |
22 | 23 | 24 | 25 | 26 | 27 | 28 |
29 | 30 | 31 |
- wireshark
- error
- mariadb
- 인프런
- AWS
- pwnable
- 빅데이터 분석기사
- 빅분기 실기
- FSB
- 빅데이터 분석기사 실기
- pandas
- dreamhack
- Linux
- ios frida
- Dreamhack.io
- tcache
- Cloud
- ubuntu
- 빅데이터분석기사 실기
- 워게임
- Python
- 풀이
- 보안뉴스
- nmcli
- VS Code 오류
- 클라우드
- centos7
- AWS Cloud
- [EduAtoZ]
- 빅데이터분석기사
- Today
- Total
0netw0m1ra
[051] 분류모델 - LogisticRegression, KNeighborsClassifier, DecisionTreeClassifier, RandomForestClassifier, XGBClassifier 본문
[051] 분류모델 - LogisticRegression, KNeighborsClassifier, DecisionTreeClassifier, RandomForestClassifier, XGBClassifier
M1RA 2022. 6. 22. 14:06중요 1) score의 결과가 가장 높은 것이 좋음!!
중요 2) train과 test의 성능 차이가 크지 않은 것이 좋은 것!!
1. LogisticRegression
- 독립 변수의 선형 결합을 이용하여 사건의 발생 가능성을 예측하는데 사용되는 통계 기법
- https://ko.wikipedia.org/wiki/%EB%A1%9C%EC%A7%80%EC%8A%A4%ED%8B%B1_%ED%9A%8C%EA%B7%80
- 반복하면서 기울기 값을 갱신, 기울기 미분값이 0이 되는 지점을 찾음
- max_iter, tol 등을 변경하여 성능을 개선할 수 있음
- max_iter : 반복횟수
- tol : 허용오차, 반복을 중단하는 조건으로 사용됨
- panalty : panalty 종류
- C : panalty 세기
- LogisticRegression(penalty='l2', *, dual=False, tol=0.0001, C=1.0, fit_intercept=True, intercept_scaling=1, class_weight=None, random_state=None, solver='lbfgs', max_iter=100, multi_class='auto', verbose=0, warm_start=False, n_jobs=None, l1_ratio=None)
- from sklearn.linear_model import LogisticRegression
2. KNeighborsClassifier
- k 개의 근접 이웃을 확인하여 클래스를 선택
- n_neighbors 를 변경하여 성능 개선
- n_neighbors : 확인할 근접 이웃 개수
- KNeighborsClassifier(n_neighbors=5, *, weights='uniform', algorithm='auto', leaf_size=30, p=2, metric='minkowski', metric_params=None, n_jobs=None)
- from sklearn.neighbors import KNeighborsClassifier
3. DecisionTreeClassifier
- overfitting 경향 있음
- max_depth를 줄이는 방법으로 overfitting 해결
- DecisionTreeClassifier(*, criterion='gini', splitter='best', max_depth=None, min_samples_split=2, min_samples_leaf=1, min_weight_fraction_leaf=0.0, max_features=None, random_state=None, max_leaf_nodes=None, min_impurity_decrease=0.0, class_weight=None, ccp_alpha=0.0)
- from sklearn.tree import DecisionTreeClassifier
4. RandomForestClassifier
- DecisionTreeClassifier를 100개 사용하는 앙상블 모델
- n_estimators의 개수를 늘리거나, max_depth의 숫자를 조절하는 방법으로 성능 조절 가능
- RandomForestClassifier(n_estimators=100, *, criterion='gini', max_depth=None, min_samples_split=2, min_samples_leaf=1, min_weight_fraction_leaf=0.0, max_features='auto', max_leaf_nodes=None, min_impurity_decrease=0.0, bootstrap=True, oob_score=False, n_jobs=None, random_state=None, verbose=0, warm_start=False, class_weight=None, ccp_alpha=0.0, max_samples=None)
- from sklearn.ensemble import RandomForestClassifier
5. XGBClassifier
- 앙상블 모델 중 부스팅 방법을 적용한 모델
- XGBClassifier(max_depth=3, learning_rate=0.1, n_estimators=100, verbosity=1, silent=None, objective='binary:logistic', booster='gbtree', n_jobs=1, nthread=None, gamma=0, min_child_weight=1, max_delta_step=0, subsample=1, colsample_bytree=1, colsample_bylevel=1, colsample_bynode=1, reg_alpha=0, reg_lambda=1, scale_pos_weight=1, base_score=0.5, random_state=0, seed=None, missing=None, **kwargs)
- from xgboost import XGBClassifier
<출처>
인프런 - [EduAtoZ] 빅데이터분석기사 실기 대비 Part3. 분류모델-모델링 1/2, 분류모델-모델링 2/2
'빅데이터분석기사 실기' 카테고리의 다른 글
[053] 빅분기실기) 작업형2 예시 문제 실습 (0) | 2022.06.22 |
---|---|
[052] 분류모델 - 오분류표, 확률 구하기, 예측값 저장 (0) | 2022.06.22 |
[050] 모델 학습 및 성능 평가 (0) | 2022.06.22 |
[049] Machine Learning - 분류 모델 실습 (0) | 2022.06.22 |
[048] Machine Learning - GridSearchCV (0) | 2022.06.22 |