WakaraNai

새로운 데이터셋을 보면 당황스럽죠. 수천개의 feature를 설명 없이 해석하는 건 어렵습니다. 이럴 때, featrue utility metric으로 순위를 구성하면 좋습니다. 이 함수는 feature와 target 사이의 연관성을 측정해줍니다. 그 다음에 유용한 featrues를 모아 작은 set을 만듭니다. 이 metric은 "mutual information"이라고 부릅니다. 두 개 사이의 관계를 측정하는 상관관계입니다. 장점은, correlation은 오직 선형 관계만 감지하지만, 이 방법은 모든 종류의 관계를 감지합니다. 정리하여, mutual information은 모델이 사용하고 해석하기 쉽거나 계산 과정에서 효율성이 보이거나 이론적으로 잘 만들어졌거나 과적합을 예방하거나 모든 종류의 관계..

이번 코스에서 배우게 될 내용 어느 feature가 가장 중요한지 결정하는 방법 데이터를 바탕으로 새로운 feature를 만드는 방법 카테고리 변수를 고차원으로 암호화하는 방법 k-means clustering으로 features의 집단을 생성하는 방법 주요 성분을 분석하여 데이터셋의 변화를 features르 분해하는 방법 Feature Engineering의 목표 문제에 적합하게 데이터를 만드는 것입니다. 실제 온도가 아니라 열과 바람의 냉기같은 겉보기 온도를 한 번 봅시다. 이러한 단위들은 공기의 온도, 습도, 풍속을 기반으로 인간에게 감지되며 직접 측정 가능한 온도를 재려고 합니다. 모델의 예측 성능 향상시키기 필요한 계산량과 데이터 감소하기 결과의 해석 가능성 향상 Feature Engineeri..