1.4 머신러닝에서 사용되는 용어

목표

• 머신러닝에서 사용하는 기본 용어를 이해한다.

 

머신러닝 전체 목차 - https://wondangcom.tistory.com/2769

목차

머신러닝의 기본 용어

1. 데이터: 머신러닝의 핵심은 데이터입니다. 데이터는 학습에 사용되는 정보를 나타냅니다. 이 데이터는 입력 또는 특성(feature)이라고도 불리는 여러 변수들로 구성되어 있습니다.
2. 특성(Feature):
   • 데이터의 특징이나 속성을 나타내는 변수를 말합니다.
   • 예를 들어, 고객 데이터에서 나이, 성별, 소득 등은 특성이 될 수 있습니다.
   • 머신러닝 모델은 이러한 특성들을 분석하여 패턴을 학습하고 예측합니다.
3. 레이블(Label) 또는 타겟(Target):
   • 지도 학습(Supervised Learning)에서는 각 데이터 포인트에 대해 예측하고자 하는 값을 나타내는 것을 말합니다.
   • 예를 들어, 스팸 메일 필터링에서는 이메일이 스팸인지 여부를 레이블로 표시할 수 있습니다.
4. 훈련 데이터(Training Data):
   • 모델을 학습시키는 데 사용되는 데이터 세트를 말합니다.
   • 훈련 데이터에는 입력 데이터와 그에 상응하는 정답(레이블 또는 타겟)이 포함됩니다.
5. 시험 데이터(Test Data):
   • 모델의 성능을 평가하는 데 사용되는 독립적인 데이터 세트입니다.
   • 모델이 처음 보는 데이터에 대한 성능을 측정하는 데 사용됩니다.
6. 특성 엔지니어링(Feature Engineering):
   • 원시 데이터로부터 유용한 특성을 추출하거나 생성하는 과정을 말합니다.
   • 특성 엔지니어링은 모델의 성능에 큰 영향을 미칠 수 있습니다.
7. 학습(Training): 머신러닝 모델은 데이터를 학습하여 패턴이나 관계를 파악합니다. 이러한 학습은 주어진 데이터와 목표에 맞는 모델을 구축하기 위해 모델의 파라미터를 조정하는 과정을 포함합니다.
8. 모델(Model): 학습된 데이터에서 패턴을 추출하고 예측을 수행하는 수학적인 표현입니다. 모델은 주어진 입력에 대해 출력을 생성하는 함수로 볼 수 있습니다.
9. 예측(Prediction): 학습된 모델을 사용하여 새로운 입력 데이터에 대한 결과를 예측하는 과정입니다.
10. 평가(Evaluation): 모델의 성능을 측정하고 평가하기 위해 사용됩니다. 주어진 데이터에 대해 모델이 얼마나 정확하게 예측하는지를 평가하여 모델의 품질을 판단합니다.
11. 일반화(Generalization): 학습된 모델이 이전에 본 적이 없는 데이터에 대해 얼마나 잘 수행하는지를 나타냅니다. 모델이 새로운 데이터에 대해 잘 작동하는 경우, 이를 일반화되었다고 말합니다.

 

요약

지도 학습 시 여러개의 특성(Feature) 과 라벨(Label)이 있는 데이터를 가지고 훈련(Train)데이터와 테스트데이터를 분리하여 훈련데이터를 가지고 학습(Training) 하여 모델을 생성 후 테스트(Test)데이터와 테스트라벨값을 가지고 성능(Evaluation)을 평가하게 된다.

 

 

 

#정보올림피아드

#검단신도시코딩

#원당동코딩

#마전동코딩

#왕길동코딩

#당하동코딩

#아라동코딩

#풍무동코딩

#불로동코딩

#검단동코딩

#검암동코딩