고급인공지능 활용 기말 정리본

소개

"고급인공지능 활용 기말 정리본"에 대한 내용입니다.

목차

9주차
1. 나이브 베이즈 개념
2. 나이브 베이즈 실습

10주차
1. 결정 트리의 개념
2. 결정트리 특징

11주차
1. 랜덤 포레스트(Random Forest)
2. 랜덤 포레스트 해석

12주차
1. XGBoost의 개념
2. XGBoost 실습
3. XGBoost의 특징

13주차
1. LightGBM의 개념
2. LightBGM 실습
3. LightGBM 종합

14주차
1. K-평균 군집화의 개념
2. K-평균 군집화 실습
3. K-평균 군집화 실습

15주차
1. 주성분 분석(PCA; Principal Component Analysis)
2. 고객 데이터셋 실습
3. 주성분 분석(PCA) 종합

본문내용

1. 나이브 베이즈 개념
· 나이브 베이즈(Naive Bayes) - 베이즈 정리를 적용한 조건부 확률 기반의 분류 모델 → 조건부 확률로 데이터를 분류하는 알고리즘
ex) 무료라는 단어가 들어 있을 때 해당 메일이 스팸일 확률
- 스팸 필터링을 위한 대표적인 모델
- 딥러닝보다 간단한 방법으로 자연어 처리를 원할 때 사용

< 중 략 >

P(A|B) - 사후확률
- B가 발생했을 때 A가 발생할 확률
ex) 스팸문자의 예로 B라는 특정 단어가 등장했을 때 A가 스팸일 확률
P(A) - 사전확률
- B의 발생유무와 관련 없이 기본적으로 A가 발생할 확률
ex) 전체 문자 중 스팸문자의 비율
P(B|A) - 우도 Likelihood 혹은 가능도라고도 부름
- A가 발생했을 때 B가 발생할 확률
ex) 스팸 메일인 경우 B라는 특정 단어가 들어 있을 확률
P(B) - 전체에서 B가 발생할 확률
ex) 전체 문자에서 B라는 특정 단어가 들어 있을 확률
- 사전확률로 사후확률을 예측하는 조건부 확률을 기반으로 함
사후확률
사건 A와 B가 있을 때, 사건 A가 발생한
상황에서 사건 B가 발생할 확률
사전확률
사건 A와 상관없이 사건 B가 발생할 확률
베이즈 정리
두 확률 변수의 사전확률과 사후확률 사이의 관계를 나타내는 정리, 사후확률을 구할 때 쓰임

나이브 베이즈
장점
- 비교적 간단한 알고리즘에 속함
- 속도 또한 빠름
- 작은 훈련셋으로도 잘 예측함

단점
- 모든 독립변수가 각각 독립적임을 전제로 하는데이는 장점이 되기도하고 단점이 되기도 함
- 실제로 독립변수들이 모두 독립적이라면 다른 알고리즘 보다 우수할 수 있지만, 실제 데이터에서그런 경우가 많지 않기 때문에 단점이기도 함

참고자료

· 없음