😎

1. SVM (Support Vector Machine)개념 : 데이터를 가장 넓게 나누는 "최적의 경계선(HyperPlane)"을 찾는 지도학습 알고리즘 예시 : (1) SVM은 두 가지를 구분하는 선을 그어주는 방법이다. 교실에서 축구를 좋아하는 친구랑 야구를 좋아하는 친구를 서로 나누는 선을 그어준다고 생각해보자 이렇게 나누는 선을 경계선 (결정 경계) 라고 부른다. (2) 그럼 어떻게 선을 그어야 가장 잘 나눌까? -> 항상 가장 넓게 두 그룹을 나눠주는 선을 찾는 것 두 팀 사이에 선을 그을 때는, 그냥 아무렇게나 그으면 안됨. 두 그룹 사이가 가장 넓게 떨어지게끔 선을 그어야, 나중에 새 친구가 들어와도 잘 구분할 수 있겠지? (3) 서포트 벡터는 뭘까?경계선을 그었을 때, 그 경계선이랑..

1. PCA가 필요한 이유1. 고차원 데이터의 문제 - 차원이 높아지면 계산량이 기하급수적으로 증가 ("차원의 저주")- 시각화 불가능 (3차원까지는 가능해도 그 이상은 어렵다)- 다중공선성 ( multicollinearity ) : 변수 간 상관관계가 높아지면 모델이 불안정 2. PCA의 목표 - 차원축소 : 원본 특성 수를 줄여 데이터 표현을 간결하게 - 정보 보존 : 최대한 분산을 유지하도록 축을 재구성 - 노이즈 제거 : 작은 분산을 갖는 성분들은 제거하여 잡음 감소 2. PCA의 장·단점 및 유의사항1. 장점 - 계산이 비교적 빠르고 구현이 간단 - 노이즈 제거, 시각화, 특성 선택 용이- 다중공선성 완화 2. 단점- 선형기법 : 비선형 구조 포착 불가 - 해석 어려움 : 주성분이 원본 특성..

1. 코드의 목적과 역할 분석 아이리스(iris) 꽃 데이터 셋을 사용하여 KNN 알고리즘을 통해 분류 모델을 구축하고 ,그 성능을 평가하고 결과를 시각화 하는것 - 데이터셋 로딩 전처리 - 데이터 훈련/테스트 셋으로 분할 - KNN 모델 학습 및 평가 (정확도 계산)- 차원 축소 (PCA)를 통해 시각화 가능하도록 변환 - 분류 결과를 시각화 2. 필수 라이브러리 pandas : 데이터 처리 및 분석용 라이브러리 numpy : 수학적 연산, 배열 처리matplotlib : 데이터 시각화sklearn.datasets : 표준 데이터셋 제공 (Iris)sklearn.neighbors : KNN 알고리즘 구현 sklearn.model_selection : 데이터 분할sklearn.decomposition..