[태그:] 인공지능

I. 분류 모델 생성 알고리즘, 배깅과 부스팅 배깅 부스팅 데이터에서 여러 bootstrap 자료 생성, 모델링 후 결합하여 최종 예측 모형을 만드는 알고리즘 오분류 개체들에 가중치를 적용하여 새로운 분류 규칙 생성 반복 기반 최종 예측 모형 생성   II. 배깅과 부스팅 알고리즘 수행 절차 가. 배깅 알고리즘 수행 절차 절차도 절차 ① Row data에서 bootstrap 데이터

I. 확률 밀도 추정 알고리즘, KNN(K-Nearest Neighbor) 가. KNN의 개념 Sample에 주어진 x에서 가장 가까운 k개의 원소가 많이 속하는class로 x를 분류하는 비모수적 확률밀도 추정방법 나. KNN의 특징 NN 개선 – k개의 데이터에 대한 다수결 방식 인스턴스 개선 – 함수의 지역적 근사에 기반한 추정 게으른 학습 (Lazy Learning) – 데이터셋 저장만 하며, 일반화된 모델을 능동적으로 만들지

I. 인공지능 모델 성능 평가, 혼동행렬 가. 혼동행렬의 개념 잘못된 예측의 영향을 파악하기 위해 예측 값과 실제 값 일치 여부를 행렬로 분류하는 모델 평가 기법 나. 혼동행렬 기반 모델 성능 평가 항목 평가 항목을 수치로 정량화 하여 성능을 객관적 지표로 평가 및 기계 학습 효율성 극대화   II. 수신자 조작 특성, ROC Curve 가. ROC(Receiver

I. 효율적 경로 탐색, 몬테카를로 트리 탐색 가. 몬테카를로 트리 탐색의 정의 전체 경로 탐색 불가능 시 효율적 경로 탐색을 통해 최적의 판단을 수행하는 알고리즘 나. 몬테카를로 트리 탐색의 특징 정책 (Policy) – 확장 단계에서 가장 높은 승률을 예측 – 트리 검색의 ‘폭’을 제한 가치 (Value) – 현재 승산을 나타내는 역할 – 트리 검색의 ‘깊이’