CodeBlack

앙상블 기법

• 단일 머신러닝 모델을 연결하여 더 효율적인 모델을 만드는 기법
• 앙상블의 아이디어는 많은 시행의 결과가 이성적으로 합리적인 결과를 기대함
• 크게 Bagging과 Boosting 방법으로 나눈다.

Bagging(bootstrap agrregating)

• 샘플을 여러번 뽑아(Bootstrap) 각 모델을 학습시켜 결과물을 집계(Aggregration)
• Train데이터에서 임의로 여러개의 샘플을 추출하여 모델 학습하는 과정을 반복하여 개별 학습모델을 생성
• 각 모델은 서로 독립적
• 각 모델별로 Test 데이터를 예측한 값으로 투표(Voting) 또는 평균(Regression)을 통해 최종 예측
• 이러한 Bagging 기법을 이용한 모델이 Random Forest

Boosting

• 잘못 분류된 샘플에 더 많은 가중치를 주어 학습
• Bagging과 달리 모델 결과에 가중치를 주어 다음 모델에 영향을 끼침(Sequential 하다)
• 잘못 분류된 데이터에 집중하여 새로운 분류 규칙을 만드는 단계를 반복

• Boosting 모델
  1. Adaboost
  2. XGBoost
  3. LightGBM
  4. CatBoost

Bagging과 Boosting의 장단점

1. Boosting은 Bagging의 비해 오류가 적다.
2. Boosting은 Overfitting 될 가능성이 있으며 속도가 느리다

출처 : https://bkshin.tistory.com/entry/%EB%A8%B8%EC%8B%A0%EB%9F%AC%EB%8B%9D-11-%EC%95%99%EC%83%81%EB%B8%94-%ED%95%99%EC%8A%B5-Ensemble-Learning-%EB%B0%B0%EA%B9%85Bagging%EA%B3%BC-%EB%B6%80%EC%8A%A4%ED%8C%85Boosting

https://icim.nims.re.kr/post/easyMath/838

8가지의 머신러닝 모델 정확성 증가 방법

우리는 100% 완벽한 데이터를 가지고 모델을 생성할 수 없기 때문에 오차가 있다고 가정한 내에서 가장 높은 성능을 나타내는 모델을 구현하기 위해 노력한다. 모델 성능을 높이기 위해서는 EDA(탐색적 데이터 분석) 가 필수적이다.

1. 학습 데이터 추가
   • 데이터가 너무 적으면 모델 성능이 잘 나오지 않는다.
   • 하지만 너무 많은 데이터로 학습할 시 Overfitting(과적합)문제가 발생할 수 도 있다.
2. 결측치 및 이상치 제거
   • 결측치가 있으면 학습이 안될 수 있다.
   • 이상치는 학습에 영향을 많이 끼친다. 꼭 제거할 필요는 없고 이상치 확인 후 처리 방법을 고민한다.
3. Feature Engineering
   • 존재하는 데이터로부터 데이터 변환 또는 생성하는 과정.
   • Feature Transformation : 정규화, Log변환, 차원축소 등..
   • Feature Creation : 매일 판매량 데이터에서 각 판매일에 대한 휴일여부를 추가
4. Feature Selection
   • 학습에 필요한 Feature를 선택하는 과정.
   • https://blackas119.tistory.com/71?category=779040 참고
5. Multiple algorithms
   • 좋은 성능을 나타내는 알고리즘을 선택하는 것은 실제로 하는게 어려운 일입니다.
   • 따라서 여러가지 알고리즘에 대해 적용하고 성능을 확인해봐야 한다.
6. Algorithm Tuning
   • 알고리즘 사용시 여러가지의 매개변수를 선택하게 된다. 적절한 매개변수를 통해 정확한 성능을 나타내도록 한다.
   • 예를 들어, K-means 알고리즘에서 적절한 K 를 찾는 과정
7. Ensemble Method
   • 데이터 사이언스 대회에서 주로 사용하는 방법
   • https://www.analyticsvidhya.com/blog/2015/08/introduction-ensemble-learning/
8. Cross Validation
   • 학습 데이터에서 다시 학습 / 테스트 데이터로 분리하여 분리된 데이터로 학습 후 테스트를 하는 방법
   • k-folds cross-validation 기법을 사용
   • https://www.analyticsvidhya.com/blog/2018/05/improve-model-performance-cross-validation-in-python-r/

참고 사이트 : https://www.analyticsvidhya.com/blog/2015/12/improve-machine-learning-results/

머신러닝 또는 딥러닝 시 고려해야 할 사항 중 데이터 전처리 내 Feature 선택에 대한 방법들

Feature란?

모델 학습 시 사용되는 입력 값. 즉 일반적으로 말하는 머신러닝 또는 딥러닝에서 사용되는 '독립변수들'이라고 보면 된다.

*이 글에서는 Feature라는 단어 대신 독립변수라는 단어를 사용.

학습시 어떤 독립변수를 사용할 지에 따라 학습 시간, 성능에 많은 영향을 끼친다.

크게 독립변수들은 숫자형과 문자형 두가지로 분류한다.

python3 pandas dataframe 예시 코드

import pandas as pd
sample = pd.read_csv(...) #샘플 데이터 파일을 읽는다.

print(sample.dtypes[sample.dtypes == "object"].index) #문자형 독립변수들
print(sample.dtypes[sample.dtypes != "object"].index) #숫자형 독립변수들
print(sample.info()) # 각 컬럼의 데이터 타입을 알 수 있다

변수 선택 방법을 통해 불필요한 독립변수들을 제거하는 방법

1. wrapper방법 : 독립변수를 여러개의 하위집합으로 만들어 각각 모델을 학습 및 평가하여 가장 좋은 성능을 선택
   적용 예시 : https://scikit-learn.org/stable/modules/generated/sklearn.feature_selection.RFE.html
2. filter방법 : 각 독립변수들과 종속변수에 대한 상관관계를 평가하여 선택 (지도학습에서 사용)

*종속변수는 학습시 사용되는 정답값

• Feature Selection: Select a subset of input features from the dataset.
  • 비지도 학습 : 종속변수를 사용하지 않는다 (e.g. remove redundant variables).
    • 독립변수들 간의 상관관계를 이용하여 선택
  • 지도학습 : 종속변수를 사용한다. (e.g. remove irrelevant variables).
    • Wrapper: 독립변수들의 하위집합 중 성능이 좋을 것을 찾는다.
      • RFE
    • Filter: 종속변수와 독립변수의 관계를 기반하여 독립변수 하위 집합을 선택한다.
      • Statistical Methods
      • Feature Importance Methods
    • Intrinsic(Embedded): 학습 중 자동적으로 알고리즘으로 독립변수를 선택한다.
      • Decision Trees
      • Lasso
      • Redge
      • Elastic Net
• Dimensionality Reduction: 입력데이터를 저차원 공간에 반영(?)
  Dimensionality Reduction의 경우 추가 공부하여 이후 다시 작성할 예정...

위 지도학습 내 Intrinsic(Embedded) 방법에 대해 다른 포스터에서 다시 작성할 예정

아래 사진은 독립변수들의 데이터 타입을 나타내는 사진 예시이다.

결론적으로 Feature selection에 대한 정답은 없다. 처음에는 휴리스틱하게 판단한 정보를 가지고 테스트를 하면서 점차적으로 성능을 끌어올리는게 현재까지는 최선의 방법인 것으로 판단된다.

참고 사이트 : https://machinelearningmastery.com/feature-selection-with-real-and-categorical-data/