제주도 퇴근 버스 승객 예측. 머신러닝 프로젝트 코드리뷰 데이터를 살펴보는 과정. x data는 오전부터 점심시간 까지의 탑승 승객 수와 버스에 대한 정보 및 날짜정보이다. y data는 18~20ride 이다. 아래 이미지를 보면 유의미한 상관관계를 나타내는 부분을 확인해볼 수 있다. #1. 데이터 전처리 # 1. Data preprocessing # Read the dataset from a CSV file path = './' datasets = pd.read_csv(path + 'train.csv') # Extract the relevant features from the dataset x = datasets[['id', 'bus_route_id', 'in_out', 'station_code', ..
오늘은 팀원들과 함께 미니 프로젝트를 진행하는 시간을 가졌다. 프로젝트 주제는 "제주도 퇴근버스 탑승인원 예측"이었다. 우리는 해당 주제에 대해 x 데이터로는 7시부터 12시까지의 승하차 인원을, y 데이터로는 18시부터 20시까지의 승차인원을 예측하는 작업을 진행했다. 프로젝트에서 나는 주로 머신러닝 모델과 피처 엔지니어링, 그리고 파라미터 값 수정을 담당했다. 우리는 수업 시간에 배웠던 다양한 기법과 도구들을 활용하여 프로젝트를 진행했으며, train_test_split, KFold, 파라미터 조정, 스케일링(Scaler), 그리고 Optuna와 같은 기능들을 사용하여 모델의 성능을 높이는 데에 집중했다. catboost, xgboost, LGBM 등 다양한 머신러닝 모델을 실험하면서 r2 값을 향상..
하이퍼파라미터 튜닝 1. 그리드서치 • 하이퍼파라미터 튜닝 : 임의의 값들을 넣어 더 나은 결과를 찾는 방식 → 수정 및 재시도하는 단순 작업의 반복 • 그리드 서치 : 수백 가지 하이퍼파라미터값을 한번에 적용 가능 • 그리드 서치의 원리 : 입력할 하이퍼파라미터 후보들을 입력한 후, 각 조합에 대해 모두 모델링해보고 최적의 결과가 나오는 하이퍼파라미터 조합을 확인 예) max_depth = [3, 5, 10] Learning_rate = [0.01, 0.05, 0.1] 1. XGBoost 모델의 parmeters 참조 공식문서 https://xgboost.readthedocs.io/en/stable/parameter.html 2. LightGBM 모델의 parmeters 참조 공식문서 https://l..
인공지능 기초 / 머신러닝 1. 퍼셉트론의 과제 - 직선을 하나 그어서 직선의 한쪽 편에는 검은 점, 다른 한쪽에는 흰 점만 있도록 해보시오. - 이것이 퍼셉트론의 한계를 설명할 때 등장하는 XOR(exclusive OR) 문제 2. SVM - 서포트 벡터 머신은 여백(Margin)을 최대화하는 지도 학습 알고리즘 - 여백(Margin)은 주어진 데이터가 오류를 발생시키지 않고 움직일 수 있는 최대 공간 - 분류를 위한 서포트 벡터 머신 SVC (class) - 회귀를 위한 서포트 벡터 머신 SVR (regression) 3. Decision Tree - 분류와 회귀 문제에 널리 사용하는 모델 - 기본적으로 결정 트리는 결정에 다다르기 위해 예/아니오 질문을 이어 나가면서 학습 - scikit-learn..
