Br) ML - 나이브 베이즈
Brightics / ML
5분 읽기 (대략 724 단어)

Br) ML - 나이브 베이즈

브라이틱스(Brightics)에서 나이브 베이즈(Naive Bayes)를 하는 방법을 알아본다.
Br) ML - 로지스틱 회귀분석
Brightics / ML
7분 읽기 (대략 1110 단어)

Br) ML - 로지스틱 회귀분석

브라이틱스(Brightics)에서 로지스틱 회귀분석(logistic regression)을 하는 방법을 알아본다.
Br) ML - 선형 회귀분석
Brightics / ML
5분 읽기 (대략 765 단어)

Br) ML - 선형 회귀분석

브라이틱스(Brightics)에서 선형 회귀분석을 하는 방법을 알아본다.
Br) ML - k-평균 군집분석
Brightics / ML
5분 읽기 (대략 812 단어)

Br) ML - k-평균 군집분석

브라이틱스(Brightics)에서 k-means 군집분석을 하는 방법을 알아본다.
Br) ML - 계층적 군집분석
Brightics / ML
7분 읽기 (대략 1020 단어)

Br) ML - 계층적 군집분석

브라이틱스(Brightics)에서 계층적 군집분석(Hierarchical Clustering)을 하는 방법을 알아본다.
ML) 평가 - 회귀모델의 오차 평가
ML / Evaluation
4분 읽기 (대략 657 단어)

ML) 평가 - 회귀모델의 오차 평가

다중선형회귀모델 같은 회귀모델의 오차를 평가하는 지표에 대해 알아본다.
R) ML - train, test 데이터세트 분리
R / ML
10분 읽기 (대략 1452 단어)

R) ML - train, test 데이터세트 분리

머신러닝을 모델링을 할 때 데이터 전처리가 끝난 이후 꼭 하는 것이 있다. 바로 학습(train) 데이터세트와 평가(test) 데이터세트 분리이다. 7:3인지? 8:2인지? 그리고 validation set은 또 무엇인지 알아보도록 하자.
강의 의뢰

링크

카테고리

최근 글

저장소

최근 글

저장소

Your browser is out-of-date!

Update your browser to view this website correctly. Update my browser now

×