만약 아래 그림처럼 Trained Model1과 Trained Model2가 있다고 가정해봅시다. 2가지 모델의 성능을 비교하기 위해서는 어떻게 하면 좋을까요? Acccuracy(정확도), Precision(정밀도), Recall(재현률), F1 Score를 사용하여 분석해볼 수 있도록 하겠습니다. 먼저 TP, TN, FP, FN이란 용어들에 대한 이해가 필요합니다. True Positive(TP) : 실제 True - 예측 True (정답) True Negative(TN) : 실제 False 예측 False (정답) False Positive(FP) : 실제 False 예측 True (오답) False Negative(FN) : 실제 True 예측 False (오답) 실제값과 예측값이 같을 경우(정답의..

안녕하세요 오늘은 머신러닝 또는 딥러닝 모델의 성능 평가방법에 대해 알아보고자 합니다. 위 그림처럼 학습된 모델의 성능이 좋은지 안좋은지는 어떻게 알 수 있을까요? 학습된 모델의 성능을 평가하기 위해 Confusion Matrix를 많이 활용합니다. 아래그림처럼 MNIST데이터를 학습한 모델에게 여러가지 숫자를 보여준다고 가정해보겠습니다. 1~4까지의 숫자들을 각각 5번씩 보여주었다고 가정해보고 입력값(X)에 따른 모델의 예측값(Y)을 행렬로 정리해보겠습니다. 위 테이블을 보시면 학습된 모델에게 '1'을 5번 보여줬을때 2번 맞췄다는걸 알 수 있습니다. '2'는 5번, '3'은 3번 , '4'는 4번 맞춘걸 알 수 있습니다. 이렇게 학습된 모델의 입력값과 예측값을 정리한 테이블을 Confusion Mat..

이전 포스팅에선 주성분 분석의 개념에 대해 알아보았습니다. (이전 포스팅 바로가기) 이번 글에선 Python을 이용하여 PCA분석 예제를 테스트 해볼 수있도록 해보겠습니다. PCA는 Eigen Value값이 큰 Eigen Vector를 선택하여 차원을 축소하는 알고리즘입니다. 먼저 Pandas를 활용하여 테스트할 데이터 셋을 만들어 보도록 하겠습니다. (참조:https://github.com/minsuk-heo/python_tutorial/blob/master/data_science/pca/PCA.ipynb) import pandas as pd df.loc[0] = [1200, 1, 0, 0, 2, 'Skinny'] df.loc[1] = [2800, 1, 1, 1, 1, 'Normal'] df.loc[2..

오늘은 PCA분석, 주성분 분석에 대해 알아보고자 합니다. PCA(Principal Component Analysis)은 머신러닝에서 데이터의 차원 축소, 노이즈 제거 등 다양하게 활용되는 머신 러닝 기법입니다. 데이터 차원축소 이미지 주성분 분석 출처: https://ichi.pro/ko/pca-juseongbun-bunseog-leul-sayonghan-chawon-chugso-72444897482598 출처: https://datascienceschool.net/02%20mathematics/03.05%20PCA.html 딥러닝, 머신러닝에서 학습할 데이터의 차원을 줄이는 부분은 굉장히 중요한 요소입니다. 데이터의 차원을 줄임으로서 학습할 시간과, 데이터의 용량, AI 모델의 무게 등을 줄일 수 있..

저번 포스팅에서는 KNN알고리즘의 이론에 대해 알아보았습니다. 오늘은 깃허브에서 KNN알고리즘을 활용해서 색상 분류를 적용시킨 알고리즘에 대해 알아보도록 하겠습니다. (출처:https://github.com/ahmetozlu/color_recognition) GitHub - ahmetozlu/color_recognition: Color recognition & classification & detection on webcam stream / on video / on single ima :art: Color recognition & classification & detection on webcam stream / on video / on single image using K-Nearest Neighbors..

오늘은 KNN(K-Nearnest Neighbor)에 대해 알아볼려고 합니다. K-최근접 이웃이라고 불리우며, 분류기(Classifier) 역할을 하고 있습니다. 알고리즘의 이름이 왜 K-Nearest Neighbor인지는 아래 내용을 보면 충분히 이해하실 수 있을겁니다. KNN 알고리즘의 경우, 거리를 계산하여 가장 인접한 K개의 데이터를 선정하여 Class 분류를 하게 됩니다. 위 그림을 보면 k=1일 경우 , 입력된 데이터(물음표)는 어느 클래스로 분류를 하게 될까요? Class A로 분류하게 됩니다. 조금 직관적인 예시 이미지로 보겠습니다. KNN알고리즘에서 k=3 일 경우, 가운데 있는 초콜릿은 어떤 초콜릿(화이트, 다크)으로 분류할까요? k=3 일 경우 다크 초콜릿이 더 많이 분포하고 있기때문..

카글(Kaggle)의 데이터셋을 활용하여 이전에 정리했던 선형회귀 모델을 실습하고자 합니다. 선형회귀 모델의 경우 앞서말 한 바와 같이 데이터의 선형성(Linear)을 뛰는 것이 중요합니다. 하지만 비선형적인(Non-Linear) 데이터들이 훨씬 많이 분포합니다. 이번 포스팅은 카글의 데이터셋을 활용해서 선형회귀모델을 적용시키는 것에 의미를 두고자합니다. 테스트용으로 사용할 데이터셋은 city_temperature.csv 파일입니다. 나라별 주요 도시의 평균온도가 나와있습니다. 저는 그 중 서울의 여름 온도를 사용하도록 하겠습니다. 혹시나 데이터가 필요하신분들은 하단 링크를 통해 다운받으시면 됩니다. https://drive.google.com/drive/folders/1LFNWWpE5QGzNIkkz4Y..

이미지 프로세싱 쪽을 공부하다보면 자연스럽게 머신러닝을 접하게 됩니다. 특히 요즘처럼 스마트폰 카메라와 AI를 적용한 어플리케이션들이 나오면서 관심이 있는 분들은 관련 기술분야를 찾다보면 더 빠르게 접하셨을 겁니다. 이번 글은 이미지 프로세싱쪽을 개발하면서 봤었던 머신러닝 몇가지를 리뷰해보고자 합니다. 1) Face Detection 알고리즘 "Haar like-features" "Haar like-features"는 SW교육에 많이 활용했던 Face Detection 알고리즘 입니다. 그림에서 보이는 A,B,C,D와 같은 얼굴의 명암비 정보를 가지고 있는 여러 개의 검출기를 순차적으로 사용하여 사람의 얼굴위치를 찾아냅니다. 처음에는 간단한 검출기를 적용하고 점점 더 어려운 검출기를 적용하게 됩니다.(C..