파이썬 기반의 AI 프로그래밍 04-3
- 1 -
4. 지도 학습 알고리즘 Ⅲ 3강. 지도 학습 알고리즘(8)
학습내용
- 커널 서포트 벡터 머신
학습목표
- 커널 서포트 벡터 머신을 이해하고 머신러닝에 적용할 수 있다.
1. 커널 서포트 벡터 머신 1) 개념
가. 일반적으로 SVM 입력 데이터에서 단순한 초평면으로 정의되지 않는 더 복잡한 모델을 만들도록 확장된 것
나. 분류와 회귀 적용 가능 2) 선형 모델과 비선형 특성
유연하지 못한 직선과 초평면 저차원 데이터셋의 선형 모델에 제한적 특성끼리 곱 하거나 특성의 거듭제곱으로 새로운 특성 추가
파이썬 기반의 AI 프로그래밍 04-3
- 3 - 3) 커널 기법
가. 수학적 기교 사용으로 새로운 특성을 많이 만들지 않고 고차원에서 분류기 학 습
나. 데이터 확장하지 않고, 확장된 특성에 대한 데이터 포인트들의 거리 계산 다. 2가지 매핑 방법
4) SVM 이해
가. 각 훈련 데이터 포인트가 클래스 사이의 결정경계 구분하는 것 나. 훈련 데이터의 일부만 결정 경계 영향
다. 데이터 포인트 : 결정 경계를 만드는데 영향을 끼치는 포인트 (서포트 벡터) 라. 예측 : 각 서포트 벡터와의 거리 측정
5) SVM 매개변수 튜닝 가. gamma 매개변수
- 하나의 훈련 샘플이 미치는 영향의 범위 결정 - 작은 값 : 넓은 영역
- 큰 값 : 영향이 미치는 범위 제한적
나. 가우시안 커널의 반경이 클수록 훈련 샘플의 넓은 영향 범위 다. C 매개변수 : 각 포인트의 중요도 제한하는 규제 변수
6) 장단점 가. 장점
- 강력한 모델
- 다양한 데이터셋에서 작동
- 복잡한 결정 변수 경계 생성 가능 나. 단점
- 샘플이 많을 경우 미작동 가능 - 데이터 전처리와 매개변수 설정 예민
파이썬 기반의 AI 프로그래밍 04-3
- 5 - 평가하기
1. 서포트 벡터 머신은 데이터 스케일 조정이 필요하며, 매개변수에 민감하다.
O X
- 정답 : O
해설 : 서포트 벡터 머신은 샘플이 많을 경우 미작동할 수 있으며, 데이터 전처 리와 매개변수 설정에 예민합니다.
학습정리
1. 커널 서포트 벡터 머신
- SVM 입력 데이터에서 단순한 초평면으로 정의되지 않는더 복잡한 모델을 만들 도록 확장된 것
- 제한적 특성 끼리 곱하거나 특성의 거듭제곱으로 새로운 특성 추가 - 다양한 데이터셋에서 작동
- 복잡한 결정 변수 경계 생성 가능
다음 주 예고
“5. 지도 학습 알고리즘 Ⅳ” 에 대해 학습하겠습니다.
