start211120

- 본 글은 스마트 인재개발원 서포터즈 활동으로 작성한 글입니다 iris 모델 선택 및 하이퍼 파라미터 튜닝 학습 평가 반복문 작성 grid Search knn train_test_ split() 함수 from sklearn.model_selection import train_test_split X_train, X_test, y_train, y_test = train_test_split(X, y, test_size = 0.3, random_state = 6(횟수 int 21억 2**32) # 모델 선택 및 하이퍼 파라미터 튜닝 # 모델 선택 및 하이퍼 파라미터 튜닝 ## train test 분할 ### X (문제) , y(정답) 을 넣으면 X_train, X_test, y_train, y_test로 만듦..

Python 2022. 3. 16. 00:12

1교시- 복습, qna 2교시 -일반화 / 과(대)적합/ 과소적합 일반화: 훈련 세트로 학습한 모델이 테스트 세트에 대해 정확히 예측하도록 하는것 가장 적절한 결과: " 일반화가 잘 되었다. " 테스트 세트가 높은 것. -> 일반화 성능이 최대화 되는 것 과(대)적합: 공을 설명하는데 축구공 케이스만 가지고 설명 농구공은 공이 아닌 것으로 판단해버림 너무 상세하고 복잡한 모델링 훈련 데이터에만 과도하게 정확하게 작동함 훈련세트에 너무 맞추어져 있어서 테스트 세트에서는 오히려 성능이 저하됨 과소적합: 둥근 것은 다 공이라고 설명 원, 바퀴 등등 모두 공이 되어버려서 판단을 할 수 없는 상태 모델링은 너무 간단하게 하여 성능이 제대로 나오지 않음. 훈련 세트를 충분히 반영하지 못해 훈련 세트, 테스트 세트 ..

Python 2022. 3. 10. 23:36