1. 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?
2. Geometric interpretation of a model
아무리 잘해도 완벽하지 않다.
의사결정트리 말고 어떤 다른 방법으로 자를 수 있을까?
줄을 하나 그음으로써 Classification이 달라질 수 있다.
3. Trees as Sets of Rules
의사결정 트리는 rule set과 같다.
4. Trees as Sets of Rules
5. What are we predicting?
빨간 데이터는 life insurance에 관심이 있느냐 없느냐에 No라는 답이 나왔다.
6. MegaTelCo: Predicting Customer Churn
확률을 앎으로써 고객이 떠나지 않게 할 수 있으므로
확률에 따라서 예산을 확보하고 다양한 비지니스적인 일을 할 수 있다.
7. From Classification Trees to Probability Estimation Trees
overfitting을 낮추려면..?
8. Laplace Correction
라플라스 보정으로 확률 값에 조금더 신뢰성을 줄 수 있다.
보정이 있었을 때(점선) converge 되는 것을 볼 수 있다.
9. 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
10. Let’s focus back in on actually mining the data..
11. 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.
'💡 AI > ML' 카테고리의 다른 글
| ML W5-1 Fitting a Model to Data [OO] (0) | 2021.03.29 |
|---|---|
| ML W4-1-2 Fitting a Model to Data (0) | 2021.03.22 |
| ML W3-2-2 - Supervised Segmentation (0) | 2021.03.18 |
| ML W3-2-1 Supervised Segmentation (0) | 2021.03.18 |
| ML W3-1-2 - Predictive Modeling (0) | 2021.03.15 |