본문으로 이동

특징 스케일링

위키백과, 우리 모두의 백과사전.

(피쳐 스케일링에서 넘어옴)

기계 학습과 데이터 마이닝

패러다임 지도 학습 비지도 학습 온라인 기계 학습 메타-학습 준지도 학습 자기 지도 학습 강화 학습 규칙 기반 기계 학습 양자 기계 학습
문제 분류 클러스터 분석 회귀 분석 클러스터 분석 이상 탐지 데이터 정제 연관 규칙 구조 기반 예측 특징 공학 특징 학습 순위 학습 문법 유도 온톨로지 학습 멀티모달 학습
지도 학습 (통계적 분류 • 회귀 분석) 결정 트리 학습법 앙상블 학습법 (배깅, Boosting, 랜덤 포레스트) 최근접 이웃 탐색 k-NN 선형 회귀 나이브 베이즈 인공신경망 로지스틱 회귀 퍼셉트론 상관 벡터 머신(RVM) 서포트 벡터 머신(SVM)
클러스터 분석 BIRCH 계층적 군집화 k-평균 알고리즘 기댓값 최대화 알고리즘 DBSCAN OPTICS Mean-shift
차원 축소 인자 분석 CCA 독립 성분 분석 LDA 음수 미포함 행렬 분해 주성분 분석 t-SNE
구조화 예측 그래프 모형 베이즈 네트워크 조건부 무작위장 은닉 마르코프 모형 잠재 디리클레 할당
이상 탐지 k-최근접 이웃 알고리즘 국소 특이점 요인
인공 신경망 오토인코더 인지 컴퓨팅 딥 러닝 딥드림 생성적 적대 신경망 확산 모델 다층 퍼셉트론 순환 신경망 LSTM GRU 제한된 볼츠만 머신 변환기 비전 자기조직화지도 합성곱 신경망
강화 학습 Q 러닝 SARSA 시간차 학습
인간 참여학습 러닝 커브 크라우드소싱 인간 참여형
모델 진단 러닝 커브
이론 편향-분산 트레이드오프 계산학습이론 경험적 위험 최소화 PAC 러닝 통계적 학습이론 VC 이론
회의/저널 NeurIPS ICML ICLR ML JMLR
관련 문서 기계 학습 알고리즘 목록 기계 탈학습 지식 증류 유사도 학습 대조 학습
v t e

특징 스케일링 또는 피처 스케일링은 데이터의 특징이나 독립 변수의 구간을 표준화하는 방법론이다. 데이터 프로세싱에서 이는 데이터 정규화로 정의되며, 이전 단계를 위한 처리 작업이다.

동기[편집]

가공 전의 실험 데이터(raw data)가 다양하고 넓게 퍼져 있기 때문에 기계 학습 분야의 여러 알고리즘은 정규화 없이는 만족스러운 결과를 얻지 못한다.

방법론[편집]

리스케일링[편집]

이 문단은 비어 있습니다.
내용을 추가해 주세요.

표준화[편집]

이 문단은 비어 있습니다.
내용을 추가해 주세요.

응용[편집]

경사 하강법에서 특징 스케일링은 알고리즘의 속도 제약을 완화해준다. SVM에서는 서포트 벡터를 찾는 시간을 감소시키며 커널 함수 공간 내에 알맞게 데이터 포인트를 위치시킨다.

같이 보기[편집]

표준 점수

외부 링크[편집]

Lecture by Andrew Ng on feature scaling

이 글은 컴퓨터 과학에 관한 토막글입니다. 여러분의 지식으로 알차게 문서를 완성해 갑시다.

원본 주소 "https://ko.wikipedia.org/w/index.php?title=특징_스케일링&oldid=33789595"

기계 학습

숨은 분류: