Machine Learning - Supervised Learning (1)

 

 

Supervised Learning의 여러 가지 알고리즘들에 대해 살펴보자.

 

1. Naïve Bayesian Classifier

2. Decision Tree

3. K-Nearest neighbor

4. Linear Models

5. Support Vector Machine (SVM)

6. Multi Layer Perceptron(MLP)

 

Linear Model은 Neural Network와 Deep Learning의 기반이 되기 때문에 자세히 알아둬야 한다.

 

1. Naïve Bayesian Classifier (Classifier)

 

영화의 댓글을 보고 긍정적인 평가인지, 부정적인 평가인지 분류하는 Machine Learning을 공부해보자.

 

 

컴퓨터는 데이터로 텍스트 자체를 받아들이고 분석하는 것 보다 0과1 같은 숫자를 통해서 데이터를 받아들이고 분석하는 것이 더 익숙하기 때문에 학습 데이터를 그에 맞게 변환해서 학습시키자.

 

만약에 영화 점수를 매기는 프로그램을 작성한다고 하면, Regression 방법이 적절할 것이다. 

 

여담이지만, 기술을 개발하기 전에 문제 타입을 제대로 이해하도록 하자.

 

 

영화 댓글들을 데이터로 받고, 특징 데이터들을 추출하고 벡터로 변환해주자.

행렬 개념이 사용된다.

 

 

 

학습 단계이다.

특징 벡터들의 키워드를 통해 해당하는 키워드가 긍정에 쓰이는지 부정에 쓰이는지에 대해서 확률로 분석한다.

이 확률들을 통해서 Machine Learning Technique를 개발하고, Classifier Model로 사용할 것이다.

 

 

만들어진 DataSet을 통해 새로운 댓글을 입력받고, 긍정적 댓글인지, 부정적 댓글인지 분석한다.

 

 

 직관적이고 간단하게 알고리즘을 이해했지만, 사실 이 알고리즘을 토대로 하는 강력한 수학, 통계적 지식이 있다.

복잡한 수식을 이해하려 노력하기보다는 알고리즘을 이해하자.

 

 

Naïve Bayesian Classifier 알고리즘은 간단하고 학습 속도가 빠르지만, 성능은 좋지 않다.

 

 

정리하면, CLASSIFIER는 학습 단계와 적용 단계로 나뉘어져있고, 데이터의 8할을 학습 단계에, 2할은 적용 단계에 사용한다. LABEL 없이 진행하는 적용 단계에서 내가 가지고 있는 답과 Classifier model을 거쳐서 나온 답을 비교해 성능을 평가한다.