Main Content

이 번역 페이지는 최신 내용을 담고 있지 않습니다. 최신 내용을 영문으로 보려면 여기를 클릭하십시오.

분류

이진 문제와 다중클래스 문제를 위한 지도 학습 및 준지도 학습 알고리즘

분류는 어떠한 알고리즘이 레이블이 있는 데이터의 예에서 새로운 관측값을 분류하는 방법을 "학습"하는 머신러닝 지도 학습의 한 유형입니다. 분류 모델을 대화형 방식으로 살펴보려면 분류 학습기 앱을 사용하십시오. 명령줄 인터페이스에서 예측 변수 또는 특징 데이터를 이에 대응하는 응답 변수나 레이블과 함께 알고리즘 피팅 함수에 전달하여 유연성을 높일 수 있습니다.

로지스틱 회귀, 회귀 트리, 가우스 과정 회귀, 서포트 벡터 회귀와 같은 회귀 모델을 훈련시키려면 회귀 항목을 참조하십시오.

범주

  • 분류 학습기 앱
    대화형 방식으로 분류 모델 훈련, 검증 및 조정
  • 분류 트리
    다중클래스 학습을 위한 이진 결정 트리
  • 판별분석
    정규화된 선형 및 2차 판별분석
  • 나이브 베이즈(Naive Bayes)
    가우스 예측 변수, 다항 예측 변수 또는 커널 예측 변수를 사용하는 나이브 베이즈 모델
  • 최근접이웃
    k-최근접이웃 분류
  • 서포트 벡터 머신 분류
    이진 분류 또는 다중클래스 분류를 위한 서포트 벡터 머신
  • 분류 앙상블
    다중클래스 학습을 위한 부스팅, 랜덤 포레스트, 배깅, 랜덤 부분공간, ECOC 앙상블
  • 일반화 가산 모델
    이진 분류를 위해 일변량과 이변량 형태 함수로 구성된 해석 가능한 모델
  • 신경망
    이진 클래스 및 다중클래스 분류를 위한 신경망
  • 점진적 학습
    분류 모델을 스트리밍 데이터에 피팅하고 성능 추적
  • 분류를 위한 준지도 학습
    준지도 학습을 위한 그래프 기반 방법과 자가 훈련 방법
  • 해석 가능성
    해석 가능한 분류 모델을 훈련시키고 복잡한 분류 모델을 해석하기
  • 모델 개발과 평가
    특징 선택, 특징 엔지니어링, 모델 선택, 하이퍼파라미터 최적화, 교차 검증, 예측 성능 평가 및 분류 정확도 비교 테스트