1장 Introdution to Machine Learning

머신러닝 정의

 작업 T를 P로 측정하는 능력이 E로 향상될 수 있다.

 

T : 작업 = 모델, 학습방식? ( 지도, 비지도, 강화학습 )

 지도 : 입력, 출력 주고 함수만듬 ( 분류, 회귀 )

 비지도 : 입력 주고 알아서 함수만듬 ( 군집 )

 강화 : 입력주면 리워드랑 관찰값 반환, policy를 배워 리워드 최대가 되게끔 혼자 강화          

 

P : 알고리즘 능력 평가

 회귀 : mse, rmse, mae, mape

 분류 : accury, precision, recall, confusion matrix, f1 – score, ...

 Test data : unseen data로 평가

 

E : 경험 = 데이터

  Raw data : 원본 데이터 ( 아무거나 되지만 유의미한 데이터를 구성해야.. )

  보통 행렬로 정리, 열에는 feature, 행에는 각 데이터 x

 

  지도 학습 : 데이터가 라벨과 특징 가짐 -> testdata의 라벨을 예측하거나 분류

  비지도 학습 : 특성, 정보를 학습 -> 분포를 추정

  새미지도학습 : 라벨을 일부만 붙임 ( why? 효율성 )

 

모델 성능

 일반화 : unseen data도 잘 동작하도록 ( 실제 목적 ) => 과적합방지

 실제 새로운 데이터를 가지고 있는 것이 아니므로 추정, 이때 test set은 iid로 가정

  ex) 회귀 식들은 추정한 것임.

 

No free lunch theorem

 하나의 알고리즘이 모든 문제 해결x  ->  특정 모델 성능평가하면서 잘 수행하도록.