강좌에 오신 것을 환영합니다!

XGBoost로 익히는 Extreme Gradient Boosting

Sergey Fogelson

Head of Data Science, TelevisaUnivision

XGBoost를 시작하기 전에...

• 다음 기본 개념 이해가 필요합니다
  • 지도 분류
  • 의사결정 트리
  • 부스팅

지도 학습

• 레이블이 있는 데이터에 의존합니다
• 과거 행동에 대한 이해가 필요합니다

지도 학습 예시

• 특정 이미지에 사람의 얼굴이 있는가?
• 훈련 데이터: 픽셀 값 벡터
• 레이블: 1 또는 0

지도 학습: 분류

• 결과는 이진 또는 다중 클래스일 수 있습니다

이진 분류 예시

• 주어진 견적에 대해 보험 상품을 구매할 것인가?

다중 클래스 분류 예시

• 주어진 새의 종 분류

AUC: 이진 분류 모델의 평가 지표

• ROC 곡선 아래 면적 (AUC)
• AUC가 클수록 더 좋은 모델

정확도 점수와 혼동 행렬

• 혼동 행렬

• 정확도 $$\frac{tp+tn}{tp+tn+fp+fn}$$

복습

• scikit-learn을 활용한 지도 학습

지도 학습의 기타 고려 사항

• 특성은 수치형 또는 범주형일 수 있습니다
• 수치형 특성은 스케일링(Z-점수)이 필요합니다
• 범주형 특성은 인코딩(원-핫)이 필요합니다

순위 예측

• 선택지 집합에 대한 순위 예측

추천

• 사용자에게 항목 추천
• 소비 이력 및 프로필 기반
• 예시: Netflix

연습해 봅시다!

XGBoost로 익히는 Extreme Gradient Boosting