RL Researcher

1. 개념 인공지능(AI : Artificial Intelligence) : 기계가 사람의 행동을 모방하게 하는 기술로써 최상위 개념에 있습니다. 기계학습(ML : Machine Learning) : 기계가 일일이 코드로 명시하지 않은 동작을 데이터로부터 학습하여 실행할 수 있도록 하는 알고리즘을 개발하는 연구분야이며, 인공지능 카테고리 내에 포함되어 있습니다. 딥러닝(DL : Deep Learning) : 기계학습의 한 분야인 인공 신경망에 기반하여, 많은 양의 데이터를 학습해 뛰어난 성능을 이끌어내는 연구 분야이며, 기계학습 카테고리 내에 포함되어 있습니다. 2. 딥 러닝과 머신러닝의 차이점 기본 머신러닝 모델은 그 기능이 점진적으로 향상이 되는데, 여전히 안내가 필요합니다. AI알고리즘이 부정확한 ..

1. 결정계수(R2) 결정계수(R2)는 회귀모형의 예측능력을 평가하는 대표적인 지표입니다. 결정계수는 추정한 선형 모형이 주어진 자료에 적합한 정도를 재는 척도입니다. 반응 변수(Y)의 분산 중에서 적합한 모형이 설명가능한 부분의 비율을 말합니다. $$R^{2} = \frac{SSR}{SST} = \frac{1- SSE}{SST}$$ 결정계수(R2)의 범위는 0 ~ 1 까지며 수식에서 보듯이 예측모형의 편차가 전체 데이터의 편차를 모두 대신할 수 있으면 결정계수(R2)가 1입니다. 즉 모형의 예측 정확도가 높아지면 결정계수가 1에 가까워진다는 의미입니다. ( 0에 가까울수록 설명력이 낮고, 1에 가까울수록 설명력이 높다.) 2. SST SST 는 Sum of Square Total로 편차의 제곱합입니다...

1. MAE(Mean Absolute Error) MAE(Mean Absolute Error)는 절대 평균 오차라고 부릅니다.(오차(Loss) : 실제 결과값과 예측값의 차이) $$MAE = \frac{1}{N}\sum \left |y^{'}-y \right |$$ 평가 방법은 각 측정값과 실제값과 실제값 사이의 절대 오차를 구하고, 구한 오차들을 모두 더합니다. 그 후 이를 절대 오차의 평균을 구합니다. *MSE(Mean Squared Error)는 회귀에서 자주 사용되는 손실함수입니다. 일반적인 회귀 지표는 MAE(Mean Absolute Error)입니다. ※ 위의 말을 쉽게 설명하면 MSE는 손실함수로 쓰이고, MAE는 회귀지표로써 사용됩니다. 다음은 이제 파이썬으로 구현해 보겠습니다. # 모듈 ..

1. 평균 제곱근 오차(Root Mean Squared error) $$RMSE = \sqrt{RMSE} = \sqrt{\frac{(y_{i}-t_{i})^{2}}{n}}$$ RMSE란 정밀도를 확인하기 위한 수치 중 하나입니다. 컴퓨터(Machine)가 추정한 값 또는 모델이 예측한 값과 실제 정답의 값(Label)의 차이를 다룰 때 흔히 사용합니다. 추정값과 실제값의 차이를 잔차(residual)라고 합니다. 평균 제곱은 오차(RMSE)는 잔차들을 하나의 측도로 종합할 때 사용합니다.(※ RMSE는 회귀 모델일 때 흔히 사용합니다.) 다음은 평균 제곱근 오차(RMSE)의 코드를 python에서 구현해 보겠습니다. MSE의 예제를 이용해서 구현해보도록하겠습니다. # Module import import..