Supervised Learning은 알고리즘에 제공된 데이터의 품질에 크게 의존합니다. 데이터 사전 처리 및 기능 엔지니어링은 기계 학습 모델의 정확성과 효율성을 영향을 미치는 근본적인 단계입니다. 데이터의 Proper 처리는 모델이 의미있는 패턴을 배우고 새로운 데이터에 잘 종합한다는 것을 보증합니다.

데이터 사전 처리

Data preprocessing은 모델링에 적합한 형식으로 세척 및 변환을 포함합니다. 이 단계는 누락된 값, 소음 및 일관성과 같은 문제를 해결합니다. 기술에는 정상적인화, 스케일링 및 인코딩 분류 변수가 포함됩니다.

기술연구소

기능 공학은 새로운 기능을 생성하거나 기존의 모델을 개선하기 위해 하나를 수정합니다. 그것은 관련 정보를 강조하고 차원을 감소시키는 데 도움이됩니다. 효과적인 기능 공학은 크게 모델의 예측 능력을 향상 할 수 있습니다.

주요 기술 기능 공학

  • 특징:모델에 가장 관련한 기능을 선택한다.
  • Feature Extraction: 주요 구성 요소 분석 (PCA)와 같은 기존 데이터에서 새로운 기능을 만드는.
  • 코딩: 수식 형식으로 categorical data를 변환합니다.
  • Transformation: 선형성을 향상시키기 위한 기능에 대한 수학 함수를 적용.