반응형 분류 전체보기1017 머신러닝 - 로지스틱 회귀 분류 알고리즘 이해, 시그모이드 함수 로지스틱 회귀는 단순하면서도 강력한 분류 알고리즘으로, 다양한 분야에서 널리 사용되고 있다.로지스틱 회귀는 종속 변수가 두 개의 범주(예: 스팸/비스팸, 질병 유무 등)로 나뉘는 이진 분류 문제에 많이 사용된다.이유는 추후 그래프를 보면 이해하겠지만, 0을 기준으로 양수와 음수로 값을 생성하는 것이 로지스틱 회귀 알고리즘의 기본 이해라고 할 수 있다. 여기에서 중요한 함수가 바로 시그모이드 함수 (Sigmoid Function) 이다.시그모이드 함수(Sigmoid Function)는 로지스틱 회귀에서 사용되는 활성화 함수로, 입력 값을 0과 1 사이의 값으로 변환합니다. 시그모이드 함수의 수식은 다음과 같다[ \sigma(x) = \frac{1}{1 + e^{-x}} ]여기서 ( e )는 자연 로그의 .. 2024. 12. 28. 머신러닝 - 데이터셋 표준화 데이터셋 표준화는 모델 훈련 전에 데이터의 스케일을 조정하는 과정이다. 그리고 머신러닝 데이터들은 많은 학습을 위해서 메모리와 연산 작업을 처리하는데, 표준화를 수행하는 주요 이유는 다음과 같다. 모델 성능 향상: 많은 머신러닝 알고리즘(특히, 릿지 회귀, 로지스틱 회귀, SVM 등)은 특성의 스케일에 민감하다.표준화를 통해 모델이 더 빠르고 안정적으로 수렴할 수 있게 된다.특성 중요도 균형: 표준화를 통해 모든 특성이 동일한 스케일을 가지게 되면, 모델이 특정 특성에 과도하게 의존하지 않도록 할 수 있다.수치적 안정성: 표준화를 통해 큰 값과 작은 값의 차이를 줄여 수치적 계산의 안정성을 높일 수 있다. 표준화는 일반적으로 각 특성의 평균을 0, 표준 편차를 1로 맞추는 방식으로 수행된다. 다음은 표준.. 2024. 12. 27. 머신러닝 - 선형 회귀 핵심 정리 머신러닝을 할때 선형 회귀는 가장 기본적으로 알고 있어야 하는 알고리즘 이라고 할 수 있다.선형 회귀는 가장 기초적인 데이터 과학이고 이를 확장하면 자연스럽게 딥러닝까지 이해할 수 있어, 선형회귀에 대해서 여기에서는 다루어보도록 하겠다.그럼 회귀 알고리즘을 왜 사용하는지에 대해서도 궁금증이 발생할 것이다.회귀 알고리즘은 주어진 데이터를 기반으로 연속적인 값을 예측하는 데 사용되는 통계적 기법입니다. 주로 두 변수 사이의 관계를 모델링하고, 독립 변수(입력값)가 주어졌을 때 종속 변수(출력값)를 예측하는 데 사용되는데, 일반적인 머신러닝, 데이터 분석, 경제학, 생물학등에서 결과 도출에 많이 사용되어지고, 연속적인 예측값을 도출에 뛰어나다고 할 수 있다. 1. 가장 먼저 해야 할 것은? 선형 회귀와 다항 .. 2024. 12. 27. OpenSource theHive 4 이하 버전 설치 가이드 theHive가 5버전부터는 부분 유료로 전환되는 분위기다.여기는 4버전까지 OpenSource로 사용할 수 있는 방안을 정리해보고자 한다. How to use this imageTo use the Docker image, you must use Docker (courtesy of Captain Obvious).TheHive requires Elasticsearch to run. You can use docker-compose to start them together in Docker or install and configure Elasticsearch manually.Use Docker-composeDocker-compose can start multiple dockers and link them .. 2024. 12. 23. 회귀 알고리즘 정리 및 특징 정리, 사례 1. 선형 회귀 (Linear Regression)특징: 가장 기본적인 회귀 알고리즘으로, 독립 변수와 종속 변수 간의 선형 관계를 모델링합니다.장점: 간단하고 해석이 쉬우며 계산이 빠릅니다.단점: 데이터가 선형적이지 않을 경우 성능이 떨어집니다.선형 회귀는 실제는 많이 사용되지 않고 교육용도로 많이 사용되고, 기본적으로 선형 회귀를 보완하는 알고리즘들이기 때문에 기본적으로 필수로 알고있어야 하는 알고리즘이다. 2. 다중 선형 회귀 (Multiple Linear Regression)특징: 두 개 이상의 독립 변수를 사용하는 선형 회귀입니다.장점: 여러 변수의 영향을 동시에 고려할 수 있습니다.단점: 변수 간의 다중 공선성이 있을 경우 문제가 될 수 있습니다.다중 선형 회귀는 여러 조건을 한번에 대입해서 .. 2024. 12. 16. K-최근접 이웃 회귀 (KNN Regression) 알고리즘 - 결정 계수, 과대적합, 과소적합 머신러닝 - K-최근접 이웃 회귀(KNN Regression) 알고리즘 특징과 코드 머신러닝 - K-최근접 이웃 회귀(KNN Regression) 알고리즘 특징과 코드k-최근접 이웃 회귀(KNN Regression)은 새로운 데이터의 출력 값을 예측하기 위해 훈련 데이터의 출력 값과 가장 가까운 k개의 데이터를 사용합니다. k는 사용자 설정 매개변수이며, 값이 작을수록 더asecurity.dev K-최근접 이웃 회귀 (KNN Regression)K-최근접 이웃 회귀는 새로운 데이터 포인트의 값을 예측하기 위해 가장 가까운 K개의 이웃 데이터를 사용하는 비모수 회귀 방법이다. 거리 측정을 통해 가까운 이웃을 찾고, 이 이웃들의 평균값을 사용하여 새로운 데이터 포인트의 값을 예측한다.결정 계수 (R², Co.. 2024. 12. 16. 명조 2.0 업데이트 - 의상 및 가면 기능 추가, 비행등 신규 맵 현재 명조 2.0이 2025년 업데이트 될 예정으로 신규 기능이 추가될 예정인데 여기에 의상 및 가면 기능이 들어갈 것으로 보인다. 이외에도 비행등 게임 내 큰 업데이트가 많아 상당히 크게 기대되는 바이다. 1. 의상 기능2.0에서는 의상 기능이 들어갈 것으로 보인다. 여기에 새해 맞이 금희의 의상을 무료로 주지 않을까? 라는 희망을 가져 본다. 아무리 봐도 신년 이벤트 의상으로 보이는 금희 의상 신선하고 스킬 이펙트까지 신경쓴 부분이 매우 마음에 든다. 2. 가면기능부분적으로 의상을 변경할 수 있는데, 가면을 이용한다는 점이 독특하다는 느낌이다. 캐릭터 별로 착용할 수 있는 가면을 제공할 것으로 보인다. 명조 2.0 픽업 - 카를로타 속성 및 육성 조합 3. 비행 기능비행 기능 역시 기존에는 낙하산 .. 2024. 12. 14. 명조 2.0 픽업 - 카를로타 속성 및 육성 조합 명조가 1.4에서 2.0으로 업그레이드할 것으로 보인다.2.0이 되면서 다양한 기능과 함께 카를로타도 업데이트 할 것으로 보이는데, 여기에서는 카를로타에 대해서 알아보면서, 2.0에 들어갈 기능들에 대해서 얘기해보고자 한다.2025년 새해에 업데이트 되는 신규 픽업에는 카를로타와 절지가 예상된다.카를로타카를로타는 얼음 속성 캐릭터로 권총을 사용하는 캐릭터로 확인되며, 스킬을 이용해서 장총을 소환해 특수기를 발동하는 방식이다.일반 공격권총을 이용해서 일반 공격을 진행하고 마지막에 장총을 소환하여 큰 피해량을 주는 방식 전투 스킬공중 제비를 돌면서 사격하여 적에게 돌진하는 돌진기라고 할 수 있다. 슈퍼아머 판정이 존재하여 좋은 돌진 및 피해량을 제공할 거라 예상된다. 궁극기궁극기는 장총으로 큰 범위 피해를.. 2024. 12. 14. Docker - Jupyter Notebook Docker에서 실행하기 with Nginx Docker 를 이용해서 설치를 한다면, pip를 이용해서 설치하는 것이 가장 깔끔한 선택이라고 할 수 있다.# 베이스 이미지 선택 (예: Python 3.8 슬림 버전)FROM python:3.8-slim# 작업 디렉터리 설정WORKDIR /app# 필요한 패키지 설치RUN pip install --no-cache-dir notebook# 노트북 서버 포트 개방EXPOSE 8888# Jupyter Notebook 실행CMD ["jupyter", "notebook", "--ip=0.0.0.0", "--port=8888", "--no-browser", "--allow-root"] 만약 여기에 Nginx를 이용하게 되면, 특정 경로는 Notebook 그외 경로는 다른 서비스를 할 수 있도록 구성도 가능하게 .. 2024. 12. 10. 이전 1 2 3 4 5 6 7 ··· 113 다음 반응형
