Supervised learning

Supervised learning (지도학습 분석기법)

---

1. Dedision Tree (의사결정나무) 

데이터 분류, 예측 -> 도표화

 

장점)

1. IF THEN 형태 표현 : 결과 이해 / 해석 용이

2. 통계적 가정 필요X

3. 분류 과정 -> 변수 중요도 파악 가능

 

단점)

1. 적합 모형 만듦 -> 시간 소요 多

2. 변수 간 상관성 파악 어려움 (∵각각 하나의 변수 기준 구분)

---

Data Set : Titanic training (생존요인 관련 속성만 포함)

 

Operator : Decision Tree 사용

 

Result

 

생존확률에 가장 큰 영향 미치는 속성 : 성별 > 승선한 부모/자녀 수 > 승선한 형제자매/배우자 수 > Passenger Fare 순

---

2. K-NN (K-Nearest Neighbor / 최근접 이웃 알고리즘)

New data - Nearest data : 새로운 데이터가 속하는 그룹 예측

 

Data Set : Golf

온도, 습도, 바람, 날씨 등 기준 -> 골프 play 여부 분류 데이터

 

Operator : K-NN, Apply Operator

Play - Prediction 예측 정확함

---

3. Regression Analysis (회귀 분석)

변수 간 상호 관련성  규명, X(독립변수)-Y(종속변수) 변화 예측

종류 : 단순 회귀 분석, 다중 회귀 분석, 로지스틱 회귀 분석

 

A) Simple Linear Regression Model (단순 회귀 분석)

X : 1 -> X-Y 선형관계 분석

 

B) Multiple Linear Regression Model (다중 회귀 분석)

X1, X2, X3 -> Y

 

Data Set : Polynomial / 1-5 공정 측정값(X) & 종합검사 결과 label(Y)

 

Operator : Linear Regression

a1 ~ a4 : X-Y는 +선형관계

a5        :          -선형관계

 

p-value)

a1 ~ a3, a5 : 0.05 ↓ 통계적으로 유의함

a4             : 0.05 ↑                유의하지 않음

---

Linear Discriminant Analysis (판별 분석)

(2개 ↑)모집단으로부터 표본 섞여 있을 때

각각 Case 대해

어느 모집단에 속해 있는지 판별

(함수 생성) 판별 작업 실시

EX) 생맥주 컵에 든 맥주 마셔서 맥주이름 알아맞힐 때, 거품 형태 / 쓴맛 정도 / 색깔 -> (판별) : 결과

 

판별 분석 목적)

1. Y 분류에 도움 되는 X 선정

2. 선정된 X 이용 -> 판별 함수 도출

3. 판별 능력 대한 X -> 상대적 중요도 평가

4. 판별 함수 -> 판별 능력 평가

5. New 판별 대상 -> 예측력 평가

---

1. LDA (Linear Discriminant Analysis)

 

Data Set : Sonar

多 광석 -> 실제 광석 / 일반 돌 추측 분류

Operator)

LDA : 집단 구분 가능 설명변수 -> 선형판별함수 도출 -> 소속 집단 예측

Apply Model : 목표 변수 실제값 & 분류된 값 비교

예측이 틀린 것도 있다.

실제값 / 예측값 비교