RL Researcher

1. Overfitting이란? 복잡한 모형일수록, 데이터가 적을수록 Overfitting이 일어나기 쉬움 (학습데이터에 너무 잘 맞은 나머지 검증데이터에 맞지 않은 것) 2. 과적합(Overfitting) 분산(Variance)과 편향(Bias)의 트레이드오프(Tradeoff) 모형$\hat{f}(X)$로 모집단의 전체 데이터를 예측할 때 발생하는 총 Error를 계산하면 reducible error(돌이킬 수 있는 에러)와 irreducible error(돌이킬 수 없는 에러)로 표현되며, reducible error는 다시 분산과 편향으로 구성 $$E(Y-\bar{Y})^{2} = E[f(X)+\epsilon -\hat{f}(X)]^{2} = Var(\hat{f}(X)) + [Bias(\hat{f}..

1. 선형 회귀분석(Linear Regression) 독립 변수와 종속변수가 선형적인 관계가 있다라는 가정하에 분석합니다. 직선을 통해 종속변수를 예측하기 때문에 독립변수의 중요도와 영향력을 파악하기 쉽습니다. 2. 의사결정나무(Decision Tree) 독립변수의 조건에 따라 종속변수를 분리합니다.( 눈이 내린다 -> 테니스를 치지 않는다) 이해하기는 쉬우나 overfitting이 잘 일어납니다. 3. KNN(K-Nearest Neighbor) 새로 들어온 데이터의 주변 k개의 데이터의 class로 분류하는 기법입니다. 4. NN(Neural Network) 입력, 은닉, 출력층으로 구성된 모형으로서 각 층을 연결하는 노드의 가중치를 업데이트하면서 학습합니다. Overfitting이 심하게 일어나고 학..

1. 지도 학습(Supervised Learning) Y = f (X)에 대하여 입력변수(X)와 출력변수(Y)의 관계에 대하여 모델링 하는것 (Y에 대하여 예측 또는 분류하는 문제) 회귀(Regression) : 입력 변수 X에 대해서 연속형 출력 변수 Y를 예측 분류(Classification) : 입력 변수 X에 대해서 이산형 출력 변수 Y(class)를 예측 2. 비지도 학습(Unsupervised Learning) 출력 변수(Y)가 존재하지 않고, 입력 변수(X)간의 관계에 대해 모델링 하는 것 군집 분석 : 유사한 데이터끼리 그룹화하는 것 PCA : 독립변수들의 차원을 축소화하는 것 3. 강화학습(Reinforcement Learning) 수 많은 시뮬레이션을 통해 현재의 선택이 먼 미래에 보상..

1. Machine Learning의 개념 "무엇(X)으로 무엇(Y)을 예측하고 싶다" 기계학습(Machine Learning) 또는 머신러닝은 인공 지능의 한 분야로, 컴퓨터가 학습할 수 있도록하는 알고리즘과 기술을 개발하는 분야를 말합니다. Y : 출력변수 (종속변수, 반응변수) f : 모형 (머신러닝 알고리즘) X : 입력 변수 (독립변수, feature) 주어진 데이터를 통해서 입력변수(X)와 출력변수(Y)간의 관계를 만드는 함수 f를 만드는 것 주어진 데이터 속에서 데이터의 특징을 찾아내는 함수 f를 만드는 것 2. Machine Learning으로 할 수 있는 것들 X : 고객들의 개인 정보 및 금융 관련 정보, Y : 대출 연체 여부 => 대출 연체자 예측 탐지 모델, 대출 연체 관련 주요 ..