[KT AIVLE] ML/DL 모델링 전 알아야 할 도메인

 

데이터 분석 프로세스

 

 

1. 비즈니스 이해 

- 문제 정의 (따릉이 배치 장소를 추가하자)

- 데이터 분석 방향, 목표 설정 (따릉이 수요와 공급이 맞는 장소에 배치를 늘린다)

- 가설 수립 (따릉이 대여량은 따릉이 배치 시설과 관련이 있다) 

 

2. 데이터 이해 

- EDA & CDA

- 데이터 통계량 확인

 

3. 데이터 전처리 

- 결측치 확인 (대치, 삭제, 변환 등) 

- 가변수화 (범주 > 수치)

- 스케일링 * 표준화, 정규화 

- 데이터 분할 (train, validation) 

 

4. 모델링 

- 분류 > logistic, Naive bayes, DT, SVM, catboost, ensemble..

- 회귀 > liner, Gradient desent, ridge, lasso..

- 모델 학습

- 검증 및 평가

 

1) classification

positive(1) 입장에서 보자.

- accuracy = (TP+TN) = (TP+TN+FP+FN) 

- recall = TN/(FP+TN)

- precision = TP/(TP+FP)

- f-1 score = recall과 precision의 조화 평균

* 비즈니스 관점에서 각 중요한 평가 요소가 있음. 

ex) 공장에서 불량을 점검할 때 recall 이 더 중요 > 비용 절감, 불량품 특징 추출 등 비즈니스 관점에서 이득임

혼동행령

 

2) regression 

- R^2 = SSR/SST = 1-(SSE/SST)

SST

- MAE, MSE, RMSE

SE

 

5. 최종 평가 

- 위 평가 지표를 기반으로 비즈니스를 얼마나 잘 설명하는지 평가할 수 있다. 

 

 

 

모델링

https://sodayeong.tistory.com/32

- 모델 파라미터 옵션 조정 참조

ANN 학습: Back-propagation (역전파 알고리즘 )

 

 

 

 

강사님께서 딥러닝 모델링을 들어가기 전 지금까지 배운 모~든 과정을 짚어주셔서 정리해보았습니다. 

전공이고, 배운 내용이지만 정리해야 더 기억이 잘 되는 건! 확실합니다... ㅎㅎ