日本語에서 번역 • 원문 보기 안녕하세요. IT 솔루션 부서의 마유코입니다.
거짓말이야. 극한 엔지니어의 GO☆야.
★ ☆ ↓GO☆ 이제 유튜브에서 볼 수 ★ 있습니다 ☆
최근에 상사로부터 권력 괴롭힘을 받고 있습니다. "그 헤어스타일은 재미있으니까 자르지 마, 만약 잘라도 해고당할 거야."라고 말합니다. 먼지
이번에는 여름방학 동안 마유짱을 대신해 글을 쓸게요. 지난번에는 언어를 맞췄지만, 이번에는 높이를 맞춰볼게요.
차이점이 무엇일까요? 먼저, 범주형 모델과 회귀 모델에 대해 이야기해 보겠습니다. 저는 통계 전문가가 아니기 때문에 예측 API에 대해 최소한의 내용만 작성하겠습니다. 먼지
- 범주별 모델
기대 결과는 특정 선택(입력한 데이터의 첫 번째 열의 값)에서 도출됩니다. 즉, "O"나 "X", "좋음", "보통", "나쁨"과 같은 기대 결과를 도출하고 싶을 때 사용됩니다. 우리가 마지막으로 언어를 추측했을 때는 이 모델이었습니다. 분석 데이터의 첫 번째 열(즉, 답)이 문자열이라면, 자동으로 이 모델이 됩니다.
- 회귀 모델
기대 결과는 숫자로 도출됩니다. 회귀분석을 하면서 기대값을 주기 때문에 회귀 모델인 것 같습니다. 치리치리 이 높이 추측이 바로 이 모델입니다. 분석 데이터의 첫 번째 열(즉, 답)이 숫자라면, 자동으로 이 모델이 됩니다. 하지만 첫 번째 열에 null이나 문자열이 포함된 경우라도 범주형 모델이 되므로 주의해야 합니다.
그래서 이번에는 회귀 모델로 예측할 거예요. 실천해 봅시다!
이 모델은 체중을 입력할 때 키를 예측하니, 다음과 같은 파일을 만드세요.
[키],[체중]
엑셀로 20,000개의 항목을 만들었습니다. 무게는 무작위로 생성되었고, 높이는 그 무게에 따라 약간의 변동이 있도록 만들어졌습니다. 즉, 높이와 무게 사이에는 상관관계가 있습니다. 먼지
다음은 예측 API입니다.
1.「 prediction.trainedmodels.를 사용하여 데이터를 입력하고, predict.trainedmodels.get으로 완료를 확인합니다.
항목이 20,000개나 있지만 열이 두 개뿐이라 약 5분 만에 완료되었습니다. 완료 응답이 "modelType": "회귀"를 반환한다면, 회귀 모델입니다. 참고로, "modelType": "classification"이 반환되면 범주 모델입니다.
2.「 예측.훈련된 모델.분석.
범주형 모델과 달리, "modelDescription"에는 분석 결과가 포함되어 있지 않습니다.
"modelDescription": {
"모델인포": {
"친절함": "예측#훈련"
}
}
반면, "dataDescription" 섹션에는 사례 수(count) 외에도 평균(mean)과 분산(variance) 값이 있습니다.
"수치": {
"카운트": "20000",
"mean": "171.59",
"변동성": "450.77"
}
3." 예측. 학습된 모델.예측".
몸무게가 75kg이라면 키가 몇 센티미터인지 물어볼게요.
{
"입력": {
"csvInstance": [
"75"
]
}
}
내가 물었을 때,
"outputValue": "172.528445"
돌아왔어요. 즉, 답은 172.5센티미터입니다. 소수점이 분석 데이터에 포함되지 않았으니, 회귀분석의 결과입니다. 그게 전부입니다.
먼지
★ ☆ ↓GO☆ 이제 유튜브에서 볼 수 ★ 있습니다 ☆
*이 기사는 "ISAO IT 솔루션 부문 주식회사"의 감독 하에 작성되었습니다.