머신러닝의 사고 모델
머신러닝은 신비롭게 들리지만 핵심 생각은 평범해요: 규칙을 직접 쓰는 대신, 프로그램에 예시를 많이 보여 주고 규칙을 찾게 하는 거예요. 이 모듈의 거의 모든 것이 세 가지 생각 위에 서 있어요.
특성과 레이블
예시는 두 부분으로 나뉘어요. 특성은 처음부터 아는 것(집의 크기, 침실 수)이에요. 레이블은 예측하고 싶은 것(그 가격)이에요. 오랜 전통에 따라 특성은 X(표, 대문자)라고 하고, 레이블은 y(열 하나, 소문자)라고 해요.
X (features) y (label)
size_sqft bedrooms price_k
650 1 220
800 2 265
1200 3 410지도 학습과 비지도 학습
- 지도 학습에는 레이블이 있어요. 각 훈련 예시의 정답을 아니까, 모델은
X를y에 대응시키는 법을 배워요. 가격을 예측하거나 이메일을 스팸과 스팸 아님으로 나누는 건 지도 학습이에요. - 비지도 학습에는 레이블이 없어요.
X만 있고, 비슷한 고객끼리 묶는 것처럼 모델에게 구조를 찾아 달라고 해요. 이 모듈 전체는 지도 학습이에요.
fit / predict 패턴
모든 scikit-learn 모델은 같은 두 동사를 써요. 이 모양을 계속해서 보게 될 거예요:
model = SomeModel()
model.fit(X, y) # learn from examples
model.predict(X_new) # guess labels for new rows그게 의식의 전부예요. 어려운 건 결코 API가 아니라, 좋은 특성을 고르고 모델이 얼마나 잘하는지 정직하게 재는 것이고, 이 모듈의 나머지가 그것에 관한 거예요.
이 연습에서는 아직 아무것도 훈련하지 않아요. 화려하지 않지만 꼭 필요한 첫걸음만 해요: 작은 표를 가져와 X와 y로 나누기.
열 size_sqft, bedrooms, price_k가 있는 작은 주택 DataFrame df가 주어져요. feature_cols = ["size_sqft", "bedrooms"]로 정하고, X = df[feature_cols](입력 열 두 개만)와 y = df["price_k"](레이블)를 만드세요. 그다음 n_features를 특성 열의 수로, n_samples를 행 수로 정하세요.
이 연습은 곧 열려요
앞의 레슨을 마치면 이 레슨이 열려요. 강좌 전체가 무료이고 계정도 필요 없으며, 이 레슨은 지금 바로 읽을 수 있어요.
이 브라우저가 learn.floati.life의 쿠키를 막고 있어서, 여기서 마친 레슨들이 순서대로 열리지 않아요. 이 사이트의 쿠키를 허용하고 새로고침하세요.