qordnswnd123 님의 블로그

📊 4.4 데이터 시각화 2 🔶 1. 관계 시각화목적: 변수들 사이의 관계를 쉽게 이해할 수 있도록 표현함예: "키가 클수록 몸무게도 증가한다" 같은 관계 확인✅ 특징두 개 이상의 변수의 상관성 표현주로 X축, Y축을 사용해 2차원 좌표에 그림탐색적 데이터 분석(EDA)에서 많이 사용✅ 대표 차트 🔶 2. 비교 시각화목적: 여러 변수나 항목 간의 차이점/특징 비교✅ 특징하나 이상의 대상(항목)을 다양한 기준으로 비교변수값이 클수록 눈에 띄게 표현됨✅ 대표 차트 🔶 3. 공간 시각화목적: 데이터가 지리적 위치와 관련 있을 때 시각적으로 표현✅ 특징지도 기반 시각화지역별 분포/비교에 매우 유용✅ 대표 차트 📘 시험 대비 핵심 비교표 📝 자주 출제되는 개념 문제 요약 💡 마무리 요..

4.4 데이터 시각화 1💡 1. 데이터 시각화란?👉 복잡한 데이터를 눈으로 쉽게 볼 수 있게 만든 것텍스트나 숫자만 보면 이해하기 어렵죠?→ 그래서 차트, 그래프, 그림을 이용해 한눈에 보기 좋게 만들어주는 것!📌 왜 쓸까요?데이터의 흐름, 패턴, 이상치 파악보고서나 발표에 쉽게 설명하려고인포그래픽, 뉴스, 보고서, 대시보드 등에서 활용 🔁 2. 시각화는 언제 사용될까? 📋 3. 시각화 절차 (벤 프라이 - 외우기 쉽게 정리)시각화도 그냥 "차트 그리고 끝"이 아니에요!아래 7단계로 차근차근 진행됩니다: 🎯 암기 꿀팁:👉 획-구-필-마-표-정-소 📊 4. 데이터 유형 정리 (어떤 데이터냐에 따라 차트가 달라져요!)📌 A. 범주형 (이름표처럼 구분)명목형: 순서 없음 → 혈액형, 색깔,..

✅ 4.3 인포그래픽 (Infographic)정보 + 그래픽복잡한 정보를 그림, 차트, 아이콘 등 시각적 요소로쉽고 빠르게 전달하는 방식📌 예시:뉴스 인포그래픽정책 홍보 포스터교통사고 통계 그림 등 ✅ 인포그래픽의 특징 즉, 텍스트 + 이미지 조합으로 핵심 정보만 빠르게 전달! ✅ 자주 나오는 인포그래픽 유형 (빅분기 시험 핵심) ✅ 인포그래픽 관련 용어 기억 꿀팁 🎯타임라인: 시간 흐름비교: A vs B지도: 지역, 국가 정보컨셉트 맵: 연결된 개념들 (마인드맵처럼)

🧠 회귀모델 평가지표 ✅ 1. 회귀 모델이란?회귀 모델은 숫자를 예측하는 모델이에요. 👉 예측 결과가 **수치(숫자)**로 나오는 것이 회귀입니다. ✅ 2. 회귀 모델, 잘했는지 어떻게 평가할까?모델이 예측한 숫자와, 실제 숫자가 얼마나 차이 나는지를 봐요.예측값: 모델이 맞췄다고 생각한 숫자실제값: 진짜 정답 숫자오차(에러) = 실제값 – 예측값 ✅ 3. 주요 평가 지표 7개 쉽게 설명 1️⃣ MAE (평균 절대 오차)그냥 얼마나 틀렸는지 절댓값으로 평균📌 공식:MAE = (|오차1| + |오차2| + ... + |오차n|) / n💬 예시:진짜: 100, 예측: 90 → 오차 = 10진짜: 80, 예측: 90 → 오차 = -10MAE = (10 + 10)/2 = 10💡 특징:아주 직관적단위 그..

✅ 4.1 분류모델 평가지표📦 분류 모델 = "무엇인지 분류"하는 모델예:메일이 스팸인지 아닌지사진이 강아지인지 고양이인지환자가 암인지 정상인지📈 회귀 모델 = "숫자를 예측"하는 모델예:집값 예측시험 점수 예측온도 예측분류는 "맞다 vs 아니다", 회귀는 "몇 점이냐"를 예측하는 것! ✅ 2. 모델이 잘 작동했는지 어떻게 알아?→ 평가 지표를 봐야 해요!분류 모델은 "정확히 분류했는지" 확인이 중요해요. ✅ 3. 기본 중의 기본! 혼동 행렬 (Confusion Matrix)분류 결과를 표로 나타낸 것이 바로 혼동 행렬이에요.TP: 진짜 참인데 참이라고 예측함TN: 진짜 거짓인데 거짓이라고 예측함FP: 진짜 거짓인데 참으로 잘못 예측함FN: 진짜 참인데 거짓으로 잘못 예측함 ✅ 4. 각 평가 지표, ..

✅ 3.5 과적합 방지 기법 🔍 1. 과적합(Overfitting)이란?모델이 훈련 데이터에 너무 과하게 맞춰져서,새로운 데이터(테스트셋)에는 성능이 떨어지는 현상훈련셋의 **노이즈(에러, 이상값)**까지 모델이 학습해버림테스트 성능 저하 → 일반화 실패주로 데이터 부족, 모델 복잡도 과도, 불균형 데이터 등에서 발생✅ 예시훈련 정확도 95%, 테스트 정확도 70% → 과적합 의심 🎯 2. 과적합 원인 요약 🛡️ 3. 과적합 방지 기법 (스크립트 기반 정리)📌 (1) 정규화 (Regularization)손실 함수에 규제항 추가 → 복잡한 모델에 패널티 부여✅ 종류 📌 (2) 드롭아웃 (Dropout)학습 시 은닉층 뉴런 일부를 무작위로 꺼버림각 에폭마다 다른 구조의 모델이 학습됨 → 과적합 방지..

📚 3.4 교차 검증(Cross Validation) 기법 🌱 1. 교차 검증이란?데이터를 나눠서 여러 번 훈련하고 평가하는 방법 ❓왜 필요할까?데이터를 한 번만 나눠서 테스트하면,운에 따라 결과가 달라질 수 있어요 😢그래서 데이터를 여러 번 나눠서,모델이 정말 잘 작동하는지 평균을 내서 평가해요! 🎯 핵심 기법 3가지🧩 1. K-Fold 교차 검증데이터를 K등분해서 K번 훈련하고 평가하는 방법✔️방법데이터를 K개로 나눔 (예: 5조각)매번 다른 한 조각만 검사용(검증셋)나머지 조각은 공부용(훈련셋)K번 반복 → 성능 평균이 최종 성능✔️예시 ➡️ 마지막에 다섯 번 성능의 평균을 냄!✔️특징데이터를 다양하게 나눠서 평가 가능과적합(외우기만 하는 모델)을 방지K값이 크면 성능은 더 정확해지지만 시..

🕒 3.3 시계열 데이터 분석✅ 1. 시계열 데이터란?시간 흐름에 따라 쌓인 데이터예: 날마다 측정한 기온, 시간대별 매출, 월별 방문자 수 등특징: 시간이 중요하다.→ 과거의 패턴을 바탕으로 미래를 예측할 수 있다. ✅ 2. 시계열 데이터 안에는 어떤 성분(요소)이 있을까? ✅ 3. 시계열 데이터 예측 기법 ① 이동 평균법 (Moving Average)최근 며칠 평균을 내서 다음을 예측예: 최근 3일 판매량 평균 → 내일 예상 판매량단순 이동 평균: 과거 값들 평균가중 이동 평균: 최근 값에 더 큰 비중🎯 이건 간단하고 기본적인 방법 ② 지수 평활법 (Exponential Smoothing)최근 값에 더 많이 반영해서 예측알파(α): 0~1 사이 값→ 높을수록 최근 값 더 중요과거 값은 점점 덜 ..

3.2 로지스틱 회귀 분석 ✅ 1. 로지스틱 회귀란?결과(종속변수)가 두 가지로 나뉘는 문제(예: 합격/불합격, 구매/비구매 등)에 사용선형 회귀처럼 입력값(X)이 결과(Y)에 어떤 영향을 주는지를 분석하지만,Y는 **숫자(연속값)**이 아닌 **분류(0 또는 1)**임예:“흡연 여부에 따라 폐암에 걸릴 확률은?”X: 흡연 여부 (0 또는 1)Y: 폐암 여부 (0 또는 1) ✅ 2. 왜 로지스틱 회귀를 쓰나요?선형 회귀는 결과가 무한대까지 가는 숫자를 예측하지만,로지스틱 회귀는 결과가 항상 0~1 사이의 확률값으로 표현됨→ 그래서 0.5 기준으로 분류하기 좋음 ✅ 3. 핵심 개념 요약 ✅ 4. 로지스틱 회귀 공식 쉽게 풀기 ✅ 5. 선형 회귀 vs 로지스틱 회귀 ✅ 6. 베르누이 분포란?결과가 **두..

📘 연관 규칙✅ 1. 연관 규칙(Association Rule)이란?장바구니 분석에 활용되는 데이터 마이닝 기법."A를 샀으면 B도 샀다" 같은 패턴을 찾는 것.예) "기저귀를 사면 맥주를 같이 산다" ✅ 2. 평가 지표 3가지 (※ 시험 자주 출제) ✅ 3. 각각 예시로 이해하기📌 예시 데이터 (총 거래 수: 10건) ✅ 예시: 맥주 → 과자 분석전체 거래 수: 10맥주만 포함된 거래 수 (A): 8맥주 & 과자 동시 포함 (A∩B): 6과자만 포함된 거래 수 (B): 6▶ 지지도 (Support)전체에서 맥주와 과자를 동시에 구매한 비율= A∩B / 전체 = 6 / 10 = 0.6 ▶ 신뢰도 (Confidence)맥주를 구매한 거래 중 과자도 함께 구매한 비율 = A∩B / A = 6 /..