- 데이터를 비슷한 특성끼리 묶는 클러스트링(Clustering)과 차원축소(Dimensionality Reduction)등이 있다.
강화 학습(Reinforcement Learning)
- 지도학습과 비슷하지만 완전한 답을 제공하지 않는 특징
- 기계는 더 많은 보상을 얻을 수 있는 방향으로 행동을 학습
- 주로 게임이나 로봇을 학습시키는데 많이 사용
머신러닝이 유용한 분야
- 기존 솔루션으로 많은 수동 조정과 규칙이 필요한 문제
- 전통적인 방식으로는 전혀 해결 방법이 없는 복잡한 문제
- 새로운 데이터에 적응해야하는 유동적인 환경
- 대량의 데이터에서 통찰을 얻어야 하는 문제
주택가격 데이터 예측하기
1. 모델 정의
# 회귀모델
from sklearn.linear_model import LinearRegression
house_model = LinearRegression()
Linear Model(선형 모델) - 입력 특성에 대한 선형 함수를 만들어 예측을 수행 - 다양한 선형 모델이 존재 - 분류와 회구에 모두 사용 가능
2. 모델학습
1. 데이터 로딩
# data폴더로 이동하고 melb_data.csv 파일을 pandas로 열어 상위 5개를 살펴보자.
import pandas as pd
# 작업 경로 변경
%cd ./drive/MyDrive/Colab\ Notebooks/22.04.11\ 머신러닝(교육실D)
# melb_data.csv 불러오기
house_data = pd.read_csv('./data/melb_data.csv')
house_data.head()
컬럼 정보
데이터프레임 요약해서 출력
house_data.info() # 데이터 갯수, 결측치 유무, 컬럼이름, 데이터 타입
결측치가 없고, 숫자로 구성된 데이터중에 일부를 선택해서 사용
X = house_data[['Rooms','Distance','Bathroom','Landsize','Lattitude','Longtitude']]
y = house_data['Price']
X.shape, y.shape
# => ((13580, 6), (13580,))
