7개의 Jupyter Notebook에서 지도 회귀가 레이블 데이터로 수치 예측을 만드는 방법을 배웁니다. 지도 학습의 의미에서 최소제곱 선형 모델, 다항 특징, 오차 기반 비교, Ridge와 LASSO 정규화로 진행합니다.
수학적 유도와 Python, scikit-learn을 결합합니다. 주택, 백신, Bitcoin, 합성 행렬 예제로 곡선 적합, 예측 평가, 과도한 복잡성의 영향, 정규화에 따른 계수 변화를 연습합니다.
학습 내용
- 지도 학습, 회귀, 분류 작업 구분하기
- 최소제곱법을 유도하고 NumPy로 선형 회귀 구현하기
- Boston 및 베이징 주택 데이터에 선형 모델 적합하기
- 주택 예측을 평가하고 모델 계수 살펴보기
- 다항 특징을 만들고 적합을 비교해 오차로 차수 선택하기
- 2010–2018 Bitcoin 데이터를 3차 이상 다항 회귀로 적합하기
- 조건이 나쁜 최소제곱 문제를 설명하고 Ridge와 LASSO 비교하기
- Ridge 계수를 직접 계산하고 scikit-learn과 비교하기
추천 대상
estimator를 블랙박스로 사용하지 않고 회귀 원리를 이해하려는 Python 학습자를 위한 과정입니다. 지도 학습을 시작하며 수식, 행렬, 그래프, API를 연결하려는 사람에게 적합합니다. 유도 과정과 코드 과제에는 첫날 수준 이상의 Python 지식이 필요합니다.
선수 지식: Python, NumPy, Pandas, 플로팅, 대수, 간단한 행렬 연산을 권장합니다. train/test 데이터와 함수 이해가 도움이 되며 회귀 경험은 필요하지 않습니다.
학습 환경: 7개 활동은 제공되는 Ubuntu 22.04 Jupyter 환경에서 진행됩니다. 설명, 시각화, 데이터, 실행 예제, 완성할 코드가 포함됩니다.
자주 묻는 질문
회귀 공식을 유도하나요, scikit-learn만 사용하나요?
둘 다 합니다. 최소제곱과 Ridge 계수를 계산하고 NumPy와 SciPy로 단계를 구현한 뒤 scikit-learn과 비교합니다.
어떤 예측 사례가 포함되나요?
Boston과 베이징 주택, 다항 적합용 백신 데이터, 역사적 Bitcoin, 최소제곱 불안정성을 보여 주는 Hilbert 행렬입니다.
모델을 어떻게 평가하나요?
홀드아웃 데이터, 시각 비교, 평균 절대 오차, 평균 제곱 오차를 사용하며 여러 다항 차수를 비교합니다.
Bitcoin 랩이 현재 가격을 예측하거나 금융 조언을 제공하나요?
아니요. 2010–2018 역사 데이터에 곡선을 적합하는 회귀 연습이며 실시간 예측이나 투자 도구가 아닙니다.
