최대 우도 추정은 주로 모델 관측값을 최대화하는 가능한 데이터를 찾고 이를 최종 선택으로 사용하여 모델 매개변수를 결정하는 데 사용되는 추정 방법입니다. 최대 우도 추정에서 표본 추출은 독립적이고 동일한 분포라는 가정을 충족합니다. 이 방법의 목적은 알려진 샘플 결과를 사용하여 관련 결과로 이어질 확률이 가장 높은 매개변수 값을 추론하는 것입니다.

지연 학습은 테스트 샘플을 수신하자마자 학습을 시작하는 학습 세트 처리 방법으로, 학습 단계 중에 샘플 학습을 시작하는 적극적 학습과 대조됩니다. 작업 데이터가 자주 변경되는 경우 지연 학습을 사용할 수 있습니다. 먼저 학습을 수행하지 않고, 예측 요청을 수신한 다음 현재 데이터를 확률에 사용합니다.

유추 학습은 인지적 사고와 추론의 한 방법입니다. 두 가지 유형의 사물이나 상황을 비교하여 객체 수준에서 유사점을 찾아내고, 이를 기준으로 사물과 상황의 관계를 비교합니다. 그것들을 적절히 배열하거나 다른 것에 대응시켜 교환함으로써 그에 상응하는 해결책을 얻을 수 있다. 유추 학습에는 여러 가지 분류 방법이 있습니다.

홀드아웃 방법은 데이터 집합 D를 두 개의 상호 배타적인 집합으로 나누는 모델 평가 방법입니다. 한 세트를 학습 세트 S, 다른 세트를 테스트 세트 T라고 가정하면 다음과 같습니다. D = S ∪ T , S ∩ T = ∅ 학습/테스트 세트를 나눌 때 데이터 분포를 최대한 일관되게 유지해야 합니다. […]을 피하려면

가지치기는 의사결정 트리의 분기를 막는 방법입니다. 이는 의사결정 트리의 과적합 문제를 해결하는 수단입니다.

가설 검정은 통계적 가설을 검정하는 방법으로, 주로 추론 통계학에서 사용됩니다. 여기서 "통계적 가설"은 주로 확률 변수 모델을 관찰하여 검정되는 과학적 가설입니다. 알려지지 않은 매개변수를 추정할 수 있다는 전제 하에, 결과에 기초하여 알려지지 않은 매개변수 값에 대한 적절한 추론을 내릴 수 있습니다. 통계에서 매개변수에 대한 가정은 하나 이상의 […]에 대한 가정입니다.

앙상블 학습은 여러 모델을 결합하여 고정밀 모델을 만드는 아이디어입니다. 주로 머신러닝 분야에서 사용됩니다. 이는 단일 머신 러닝 알고리즘이 아니라 여러 학습기를 구축하고 결합하여 학습 작업을 완료합니다. 앙상블 학습은 분류 문제, 회귀 문제, 특징 선택, 이상치 탐지 등에 사용될 수 있습니다. 모든 머신 러닝은 […]

오류 정정 출력 코딩 방법인 ECOC는 다중 클래스 문제를 여러 개의 2클래스 문제로 변환할 수 있으며, 오류 정정 출력 코드 자체에 오류 정정 기능이 있어 지도 학습 알고리즘의 예측 정확도를 향상시킬 수 있습니다. 출력 범주 인코딩은 두 가지 범주로 나눌 수 있습니다. 즉, 각 범주는 길이 n의 이진 비트 문자열에 해당하며 총 m개의 코드워드를 형성합니다. […]

경험적 위험은 모델이 훈련 샘플을 예측하는 능력을 보여줍니다. 이는 모든 학습 샘플에 대해 손실 함수를 한 번 계산한 다음 평균을 누적하여 얻습니다. 손실 함수는 예상 위험, 경험적 위험, 구조적 위험의 기초입니다. 손실 함수는 단일 특정 샘플을 위한 것이며 모델의 예측 값과 실제 값 사이의 차이를 나타냅니다. […]

K-평균 클러스터링은 초창기 신호 처리에 사용되었던 벡터 양자화 방법입니다. 현재는 주로 데이터 마이닝 분야에서 클러스터링 분석 방법으로 사용되고 있습니다. k-평균 클러스터링의 목적은 n개의 점을 k개의 클러스터로 나누어 각 점이 가장 가까운 평균에 해당하는 클러스터에 속하도록 하고, 이를 클러스터링 기준으로 사용하는 것입니다. 이런 종류의 문제는 [...]

마진 이론은 지원 벡터 머신의 개념으로, 마진은 초평면으로 나눈 두 유형의 샘플 간의 최소 거리를 나타냅니다. 마진 이론은 AdaBoost 알고리즘의 학습 오류가 0일 때, 지속적인 학습을 통해 모델의 일반화 성능을 더욱 향상시킬 수 있음을 설명하는 데 사용될 수 있습니다. x와 y가 입력을 나타내고 […]

퍼셉트론은 1957년 프랭크 로젠블랫이 발명한 피드포워드 신경망의 가장 간단한 형태로 볼 수 있는 이진 선형 분류 모델입니다. 입력은 인스턴스의 특징 벡터이고 출력은 인스턴스의 범주입니다.

정규화는 서로 다른 차원의 데이터의 차원과 차원 단위를 제거하고, 서로 다른 데이터 지표 간의 비교성을 개선하기 위해 데이터를 지정된 범위에 매핑하는 것입니다.

근위 경사법(PGD)은 미분 불가능한 목적 함수가 있는 최적화 문제를 해결하는 데 주로 사용되는 특수한 경사 하강법입니다.

사후 가지치기는 의사결정 트리가 생성된 후에 수행되는 가지치기 작업을 말합니다.

확률적 그래픽 모델은 그래프 구조를 사용하여 변수 간의 관계를 표현하는 확률적 모델입니다.

회귀는 수치적 연속 확률 변수를 예측하고 모델링하기 위한 지도 학습 알고리즘입니다.

규칙 학습은 훈련 데이터로부터 원자 명제로 구성된 IF-THEN 규칙 세트를 학습하는 것입니다. 이는 비지도 학습의 한 유형이며 종종 분류 유형으로 분류됩니다.

루트 노드는 트리 데이터 구조의 첫 번째 노드입니다. 일반 노드는 부모 노드와 자식 노드를 가질 수 있지만, 루트 노트가 첫 번째 노드이므로 자식 노드만 있습니다.

입자 군집 최적화(PSO)는 입자 군집 최적화라고도 하며, 군집 지능 이론을 기반으로 한 최적화 알고리즘입니다. 무리 속의 입자는 각 반복적 탐색 과정에서 문제의 최적화 과정을 완료합니다.

규칙 엔진은 추론 엔진에서 발전한 것으로, 애플리케이션에 내장된 구성 요소입니다. 비즈니스 의사결정을 애플리케이션 코드에서 분리하고, 사전 정의된 의미 모듈을 사용하여 비즈니스 의사결정을 작성합니다.

핵 노름은 행렬의 특이값의 합이며 행렬의 하위 랭크를 제한하는 데 사용됩니다.

연관성 분석은 거래 데이터, 관계형 데이터 또는 기타 정보 매체에 있는 항목이나 객체 집합 간의 빈번한 패턴, 연관성, 상관 관계 또는 인과 구조를 찾는 프로세스입니다. 연관 분석 방법 Apriori 알고리즘 Apriori 알고리즘은 부울 연관 규칙을 생성하는 데 필요한 빈번 항목 집합을 마이닝하기 위한 기본 알고리즘입니다. 그것은 […]을 만듭니다

개별 학습자는 앙상블 학습에 통합되기 전의 학습자, 즉 상대적인 개념입니다. 개별 학습자의 생성 방식에 따라 앙상블 학습 방식은 크게 두 가지로 나눌 수 있다. 종속성이 강하고, Boosting과 같이 직렬로 생성해야 하는 직렬화 방식이다. 강력한 종속성이 없으며 동시에 생성될 수 있습니다.

최대 우도 추정은 주로 모델 관측값을 최대화하는 가능한 데이터를 찾고 이를 최종 선택으로 사용하여 모델 매개변수를 결정하는 데 사용되는 추정 방법입니다. 최대 우도 추정에서 표본 추출은 독립적이고 동일한 분포라는 가정을 충족합니다. 이 방법의 목적은 알려진 샘플 결과를 사용하여 관련 결과로 이어질 확률이 가장 높은 매개변수 값을 추론하는 것입니다.

지연 학습은 테스트 샘플을 수신하자마자 학습을 시작하는 학습 세트 처리 방법으로, 학습 단계 중에 샘플 학습을 시작하는 적극적 학습과 대조됩니다. 작업 데이터가 자주 변경되는 경우 지연 학습을 사용할 수 있습니다. 먼저 학습을 수행하지 않고, 예측 요청을 수신한 다음 현재 데이터를 확률에 사용합니다.

유추 학습은 인지적 사고와 추론의 한 방법입니다. 두 가지 유형의 사물이나 상황을 비교하여 객체 수준에서 유사점을 찾아내고, 이를 기준으로 사물과 상황의 관계를 비교합니다. 그것들을 적절히 배열하거나 다른 것에 대응시켜 교환함으로써 그에 상응하는 해결책을 얻을 수 있다. 유추 학습에는 여러 가지 분류 방법이 있습니다.

홀드아웃 방법은 데이터 집합 D를 두 개의 상호 배타적인 집합으로 나누는 모델 평가 방법입니다. 한 세트를 학습 세트 S, 다른 세트를 테스트 세트 T라고 가정하면 다음과 같습니다. D = S ∪ T , S ∩ T = ∅ 학습/테스트 세트를 나눌 때 데이터 분포를 최대한 일관되게 유지해야 합니다. […]을 피하려면

가지치기는 의사결정 트리의 분기를 막는 방법입니다. 이는 의사결정 트리의 과적합 문제를 해결하는 수단입니다.

가설 검정은 통계적 가설을 검정하는 방법으로, 주로 추론 통계학에서 사용됩니다. 여기서 "통계적 가설"은 주로 확률 변수 모델을 관찰하여 검정되는 과학적 가설입니다. 알려지지 않은 매개변수를 추정할 수 있다는 전제 하에, 결과에 기초하여 알려지지 않은 매개변수 값에 대한 적절한 추론을 내릴 수 있습니다. 통계에서 매개변수에 대한 가정은 하나 이상의 […]에 대한 가정입니다.

앙상블 학습은 여러 모델을 결합하여 고정밀 모델을 만드는 아이디어입니다. 주로 머신러닝 분야에서 사용됩니다. 이는 단일 머신 러닝 알고리즘이 아니라 여러 학습기를 구축하고 결합하여 학습 작업을 완료합니다. 앙상블 학습은 분류 문제, 회귀 문제, 특징 선택, 이상치 탐지 등에 사용될 수 있습니다. 모든 머신 러닝은 […]

오류 정정 출력 코딩 방법인 ECOC는 다중 클래스 문제를 여러 개의 2클래스 문제로 변환할 수 있으며, 오류 정정 출력 코드 자체에 오류 정정 기능이 있어 지도 학습 알고리즘의 예측 정확도를 향상시킬 수 있습니다. 출력 범주 인코딩은 두 가지 범주로 나눌 수 있습니다. 즉, 각 범주는 길이 n의 이진 비트 문자열에 해당하며 총 m개의 코드워드를 형성합니다. […]

경험적 위험은 모델이 훈련 샘플을 예측하는 능력을 보여줍니다. 이는 모든 학습 샘플에 대해 손실 함수를 한 번 계산한 다음 평균을 누적하여 얻습니다. 손실 함수는 예상 위험, 경험적 위험, 구조적 위험의 기초입니다. 손실 함수는 단일 특정 샘플을 위한 것이며 모델의 예측 값과 실제 값 사이의 차이를 나타냅니다. […]

K-평균 클러스터링은 초창기 신호 처리에 사용되었던 벡터 양자화 방법입니다. 현재는 주로 데이터 마이닝 분야에서 클러스터링 분석 방법으로 사용되고 있습니다. k-평균 클러스터링의 목적은 n개의 점을 k개의 클러스터로 나누어 각 점이 가장 가까운 평균에 해당하는 클러스터에 속하도록 하고, 이를 클러스터링 기준으로 사용하는 것입니다. 이런 종류의 문제는 [...]

마진 이론은 지원 벡터 머신의 개념으로, 마진은 초평면으로 나눈 두 유형의 샘플 간의 최소 거리를 나타냅니다. 마진 이론은 AdaBoost 알고리즘의 학습 오류가 0일 때, 지속적인 학습을 통해 모델의 일반화 성능을 더욱 향상시킬 수 있음을 설명하는 데 사용될 수 있습니다. x와 y가 입력을 나타내고 […]

퍼셉트론은 1957년 프랭크 로젠블랫이 발명한 피드포워드 신경망의 가장 간단한 형태로 볼 수 있는 이진 선형 분류 모델입니다. 입력은 인스턴스의 특징 벡터이고 출력은 인스턴스의 범주입니다.

정규화는 서로 다른 차원의 데이터의 차원과 차원 단위를 제거하고, 서로 다른 데이터 지표 간의 비교성을 개선하기 위해 데이터를 지정된 범위에 매핑하는 것입니다.

근위 경사법(PGD)은 미분 불가능한 목적 함수가 있는 최적화 문제를 해결하는 데 주로 사용되는 특수한 경사 하강법입니다.

사후 가지치기는 의사결정 트리가 생성된 후에 수행되는 가지치기 작업을 말합니다.

확률적 그래픽 모델은 그래프 구조를 사용하여 변수 간의 관계를 표현하는 확률적 모델입니다.

회귀는 수치적 연속 확률 변수를 예측하고 모델링하기 위한 지도 학습 알고리즘입니다.

규칙 학습은 훈련 데이터로부터 원자 명제로 구성된 IF-THEN 규칙 세트를 학습하는 것입니다. 이는 비지도 학습의 한 유형이며 종종 분류 유형으로 분류됩니다.

루트 노드는 트리 데이터 구조의 첫 번째 노드입니다. 일반 노드는 부모 노드와 자식 노드를 가질 수 있지만, 루트 노트가 첫 번째 노드이므로 자식 노드만 있습니다.

입자 군집 최적화(PSO)는 입자 군집 최적화라고도 하며, 군집 지능 이론을 기반으로 한 최적화 알고리즘입니다. 무리 속의 입자는 각 반복적 탐색 과정에서 문제의 최적화 과정을 완료합니다.

규칙 엔진은 추론 엔진에서 발전한 것으로, 애플리케이션에 내장된 구성 요소입니다. 비즈니스 의사결정을 애플리케이션 코드에서 분리하고, 사전 정의된 의미 모듈을 사용하여 비즈니스 의사결정을 작성합니다.

핵 노름은 행렬의 특이값의 합이며 행렬의 하위 랭크를 제한하는 데 사용됩니다.

연관성 분석은 거래 데이터, 관계형 데이터 또는 기타 정보 매체에 있는 항목이나 객체 집합 간의 빈번한 패턴, 연관성, 상관 관계 또는 인과 구조를 찾는 프로세스입니다. 연관 분석 방법 Apriori 알고리즘 Apriori 알고리즘은 부울 연관 규칙을 생성하는 데 필요한 빈번 항목 집합을 마이닝하기 위한 기본 알고리즘입니다. 그것은 […]을 만듭니다

개별 학습자는 앙상블 학습에 통합되기 전의 학습자, 즉 상대적인 개념입니다. 개별 학습자의 생성 방식에 따라 앙상블 학습 방식은 크게 두 가지로 나눌 수 있다. 종속성이 강하고, Boosting과 같이 직렬로 생성해야 하는 직렬화 방식이다. 강력한 종속성이 없으며 동시에 생성될 수 있습니다.