ML W4-1-1 Supervised Segmentation

Visualizing Segmentations

 

데이터를 Age라는 변수로 나눈다.

entropy와 Information gain을 기준으로 나눈다.

 

x축 : Age

y축 : Balance

 

어떤식으로 Decision boundary가 결정되었는지 알 수 있다.

여기서 어떻게 바운더리를 설정해야 정확성을 유지할 수 있을까? 

---

Geometric interpretation of a model

 

 

아무리 잘해도 완벽하지 않다.

의사결정트리 말고 어떤 다른 방법으로 자를 수 있을까?

 

줄을 하나 그음으로써 Classification이 달라질 수 있다.

---

Trees as Sets of Rules

의사결정 트리는 rule set과 같다.

---

Trees as Sets of Rules

---

What are we predicting?

 

 

빨간 데이터는 life insurance에 관심이 있느냐 없느냐에 No라는 답이 나왔다.

 

---

MegaTelCo: Predicting Customer Churn

확률을 앎으로써 고객이 떠나지 않게 할 수 있으므로

확률에 따라서 예산을 확보하고 다양한 비지니스적인 일을 할 수 있다.

---

From Classification Trees to Probability Estimation Trees

overfitting을 낮추려면..?

 

---

Laplace Correction

라플라스 보정으로 확률 값에 조금더 신뢰성을 줄 수 있다.

보정이 있었을 때(점선) converge 되는 것을 볼 수 있다.

---

The many faces of classification: 
Classification / Probability Estimation / Ranking

Ranking : 선호도 부여

Probability estimation : 확률 부여

 

Ranking은 서로 상호적인 것이다.

 

확률을 부여하는 것은 굉장히 어려운 일이다.

그래서 가정이라는 것을 한다. assumption

---

Let’s focus back in on actually mining the data..

 

 

MegaTelCo:
Predicting Churn with Tree Induction

 

Information gain 후 가장 높은 순으로 나와있다.

이 순서대로 우리가 tree를 만들어 나가면 된다.

 

 

테이블 순서대로 되지 않았다.

테이블은 서로의 관계성을 고려하지 않고 얻은 information gain이다.

 

트리를 구성할 때는 서로의 관계성을 고려하여 얻은 것이다.

overfitting을 막으면서.