끄적이는 기록일지

데이터 전처리를 배우기 전 간단하게 머신러닝 과정을 보겠습니다. ① 데이터 수집: 크롤링, DB데이터를 통하여 데이터 수집 ② 데이터 분석 및 전 처리: 수집한 데이터를 분석하고 머신러닝에 사용할 형태로 전 처리 ③ 머신러닝 학습: 머신러닝 모델을 사용하여 데이터 학습 ④ 머신러닝 평가: 학습된 머신러닝 모델을 평가용 데이터를 사용하여 평가 1. 데이터 전 처리하는 이유 1) 데이터 변환 - 실제 데이터는 이미지, 자연어, 범주형, 시계열 데이터 등 다양한 형태로 존재(실제 데이터는 머신러닝 모델이 이해X) → 다양한 형태의 데이터를 수치형 데이터로 변환해야 사용가능 - 대부분은 머신러닝 모델은 숫자 데이터를 입력 받음 2) 데이터 정제 - 전 처리를 통하여 데이터의 결측값 및 이상치를 처리 3) 데이터..

[머신러닝] 1.자료형태_(2) 범주형 자료 [머신러닝] 1.자료형태_(1) * 머신러닝 : 데이터 자료를 바탕으로 수행하는 분석방식 → 자료의 형태를 파악하는 것은 머신러닝의 필수 과정이라 할 수 있습니다. 1. 자료형태 ① 수치형 자료(Numeric kcy51156.tistory.com 1. 수치형 자료 ① 연속형 자료 - 연속적인 관측값을 가짐 - 원주율(3.14159265···), 시간(19:12:23.21···) ② 이산형 자료 - 셀 수 있는 관측값을 가짐 - 편지 글자 수, 남은 물건 개수 등 2. 수치형 자료 요약 - 범주형 자료와 달리 수치로 구성되어 있기에 통계값을 사용한 요약이 가능함 - 시각적 자료로는 이론적 근거 제시가 쉽지 않은 단점을 보완함 ≫ 많은 양의 자료 → 의미 있는 수..

[머신러닝] 1.자료형태_(1) * 머신러닝 : 데이터 자료를 바탕으로 수행하는 분석방식 → 자료의 형태를 파악하는 것은 머신러닝의 필수 과정이라 할 수 있습니다. 1. 자료형태 ① 수치형 자료(Numerical data) - 양적 자료 - 수치 kcy51156.tistory.com 1. 범주형 자료 ① 순위형 자료 (학점) - 범주 사이의 순서에 의미가 있음 ② 명목형 자료 (혈액형) - 범주 사이의 순서에 의미가 없음 2. 범주형 자료 요약 필요성 - 다수의 범주가 반복해서 관측 - 관측값의 크기보다 포함되는 범주에 관심 ≫ 요약한다면 효율적으로 범주 간의 차이점을 비교가능해짐. 3. 범주형 자료 표현 방법 ① 도수분포표 - ooo 만족도 설문(100명) ID 만족도 1 a 매우만족 2 b 보통 ··..

* 머신러닝 : 데이터 자료를 바탕으로 수행하는 분석방식 → 자료의 형태를 파악하는 것은 머신러닝의 필수 과정이라 할 수 있습니다. 1. 자료형태 ① 수치형 자료(Numerical data) - 양적 자료 - 수치로 측저이 가능한 자료 - 키, 몸무게, 점수, 나이 등 ② 범주형 자료(Categorical data) - 질적 자료 - 수치로 측정이 불가능한 자료 - 성별, 지역, 혈액형 등 * 범주형 자료와 수치형 자료의 구분 ≠ 자료의 숫자 표현 가능 여부 - 범주형 자료가 숫자로 표현되는 경우 : 성별 구분 시, 1과 0으로 표현하는 경우 숫자로 표현했지만 범주형 자료임 - 수치형 자료를 범주로 표현되는 경우 : 나이 구분 시, 만 10~19세 등 구간화하는 경우 범주형 자료임