[YOUTUBE] https://youtu.be/VttxVpComLU

[CODE] 영상 하단 설명란

 

#인공지능 #머신러닝 #선형회귀 #코딩

다항식과 다중특성을 이용한 선형회귀 구현 & 규제를 이용한 모델최적화

 

► 과소적합(under-fitting) vs 최적합(Optimal fitting) vs 과대적합(over-fitting)

출처: Vijaysinh Lendave, Understanding Overfitting and Underfitting for Data Science, https://analyticsindiamag.com, June 8, 2021

 

► 결정계수(R2)

. 회귀결과의 타당성을 객관적으로 평가하는 지표로 결정계수를 사용한다.

.결정계수이 값이 1에 가까우면 성능이 좋은 예측모델이라고 할 수 있다.

. SciKit-Learn에서 결정계수는 model.score() 함수로 구할 수 있다.

. 결정계수가 0에 가까울수록 성능이 좋지 않고, 1에 가까울수록 예측성능이 좋다고 할 수 있다.

 

 

► 선형회귀 vs Ridge(능선) 회귀 vs Lasso(올가미)

선형회귀: y = β0 + β1x1 + β2x2 + ··· βkxk

능성회귀(L2): y = β0 + β1x1 + β2x2 + ··· βkxk + λ(기울기) ²

올가미 회귀(L1): y = β0 + β1x1 + β2x2 + ··· βkxk + λ|기울기|

 

► 클래스(class) vs 인스턴스(instance)

lr = LinearRegression() # 클래스 = LinearRegression -> 인스턴스(변수) = lr

ridge = Ridge()

lasso = Lasso()