스무딩 타깃 인코딩 스무딩 타깃코딩(Smoothing Target Encoding은 범주형 변수를 수치형 변수로 변환하는 데이터 정제 기법 중 하나로, 특히 머신러닝 모델의 성능 향상을 위해 널리 사용된다. 이 기법은 범주형 변수의 각 카테고리에 대해 해당 카테고리가 목표 변수(target variable)에 미치는 영향을 수치로 표현하면서, 소수의 샘플로…

L2 정규화 개요 L2 정규화(2 Regularization), 또는 리지 정규화(Ridge Regularization), 중치 감소(Weight Decay)는 머신러닝 및 딥러닝 모델에서 과적합(Overfitting)을 방지하기 위해 사용되는 대표적인 정규화 기법 중 하나입니다. 이 방법은 모델의 가중치에 제약을 가하여 복잡성을 줄이고, 학습 데이터에 지…

모델 제약 (Model Constraints) 1. 개요 모델 제약(Model Constraints)이란 머신러닝 및 딥러닝 모델의 학습 과정이나 추론 단계에서 모델의 파라미터, 구조, 또는 출력값이 특정 범위나 조건을 만족하도록 강제하는 제한 사항을 의미한다. 인공지능 모델에서 제약 조건이 필요한 주요 이유는 다음과 같다. 과적합(Overfitting) …

목표 기반 인코딩 목표 기반 인코딩(Target-based Encoding)은 범주형 변수(Categorical Variable)를 수치형 변수로 변환 데이터 인코딩법 중 하나로, 특히 지도 학습(Supervised Learning)에서 목표 변수(Target Variable)와의 관계를 활용하여 인코딩을하는 방법입니다. 이 방은 단순한 레이블 인코딩(La…

드롭아웃 (Dropout) 개요 드롭아웃(Dropout)은 인공지능(AI) 분야에서 네트워크 과적합(overfitting)을 방지하기 위한 정규화 기법으로, 신경망의 훈련 중 일부 뉴런을 무작위로 비활성화하는 방법이다. 이 기법은 2014년 제프리 힌턴(Jeffrey Hinton) 등이 발표한 논문에서 처음 소개되었으며, 현재 딥러닝 모델의 일반적인 성능 …

특징 강화 (Feature Enhancement) 개요 특징 강화(Feature Enhancement)는 데이터 과학 및 머신러닝 분야에서 원시 데이터(Raw Data)의 품질을 개선하거나, 기존 특징(Feature)의 표현력을 높여 모델의 예측 성능을 극대화하기 위한 일련의 전처리 및 변환 기법을 포괄하는 개념입니다. 단순히 결측치를 채우거나 이상치를 제…

num_leaves num_leaves는 그래디언트 부스팅 머신 러닝 알고리즘 중 하나인 LightGBM(Light Gradient Boosting Machine)에서 중요한 하이퍼파라터로, 각각의 결정 트리(decision tree) 가질 수 있는 최대 잎 노드 수(maximum number of leaf nodes)를 지정합니다. 이 파라미터는 모델의 …

Adjusted R-s 개요Adjusted R-squared수정된 결정계수)는귀분석에서 모의 적합도를 평가하는 지표 중 하나로, 일반적인 R-squared(결계수)의계를 보완하기 위해 제안된 통계량이다. R-squared 독립변수들이 종속변수를 잘 설명하는지를 나타내는 값이지만, 독립변수를 추가할수록 무조건 증가하는 성향이 있어 모델의 과적합(overfit…

K-Fold Cross- K-Fold Cross-Validation(K-겹 교차 검증)은 머신러닝과 통계 모델의 성능을 평가하기 위해 널리 사용되는 기입니다. 이 방법은 데이터를 여러 개의 부분으로 나누어 반복적으로 훈련과 검증을 수행함으로써 모델의 일반화 능력을 더 정확하게 평가할 수 있도록 도와줍니다. 특히, 데이터셋의 크기가 제한적일 때 과적합(ove…

Bayesian Target Encoding 개요 베이지안 타겟 인코딩(Bayesian Target Encoding)은 범주형 변수(categorical variable)를 수치형 변수로 변환하는 고급 인코딩 기법 중 하나로, 특히 머신러닝 모델의 성능 향상을 위해 사용된다. 이 기법은 단순한 타겟 인코딩(target encoding)의 주요 단점인 과적합…

Mean Encoding Encoding(평균코딩)은 범주형 변수(Categorical Variable)를 수치형 변수로 변환하는 고 인코딩 기법 중로, 주로 지도 학습(Supervised Learning)에서 회귀 또는 분류 문제에 활용됩니다. 이 방법은 범주형 변수의 각 범주(Category)를 그 범주에 해당하는 타겟 변수(Target Variable…

교차 검증 기 인코딩 개요교차 검증 기반 인딩(Cross-Validation-Based Encoding) 범주형 변수(categorical variable)를 수치 변수로 변환 고급 인코딩법 중 하나로 주로 목 변수 기반 인코(Target Encoding) 일환으로 사용됩니다. 이 방법은 범형 변수의 각주(category)를 해당 범주에 속하는 목표 변수(…

L2 정규화 개요 L2 정규화(Ridge Regularization)는 머신러닝 모델의 과적합(Overfitting)을 방지하기 위해 사용되는 기법입니다. 이는 손실 함수(Loss Function)에 가중치의 제곱합을 패널티 항으로 추가하여 모델 복잡도를 제어하는 방식으로 작동합니다. 특히 데이터가 적거나 특성(Feature) 수가 많은 경우에 효과적이며,…