하이퍼파라미터튜닝2 [KT AIVLE SCHOOL] KT Aivle 5차 미니프로젝트 후기 1 5차 미니프로젝트에서는 시계열 데이터를 활용한 상품 판매량 예측 모델링을 진행했습니다. EDA 탐색적 분석 중요 범줏값의 비율을 확인합니다.각 범주별 판매량 및 판매량 추이등을 확인 했습니다. 두 범주별 판매량 추이를 이용해 판매량을 선그래프로 시각화해 시계열 패턴을 찾았습니다. diff()함수를 사용해 변수에 대한 변화량을 확인할 수 있습니다. 데이터프레임 구성기본 변수 구성날짜 변수에서 요소 추출데이터 전처리결측치 처리범주형 데이터의 가변수화데이터 분할(학습용, 검증용)# datetime 형으로 변환sales['Date'] = pd.to_datetime(sales['Date'] )oil_price['Date'] = pd.to_datetime(oil_price['Date'] )orders['Dat.. 2024. 5. 12. [PYTHON] 그리드 탐색(Grid Search) 그리드 탐색(Grid Search)은 머신 러닝 모델의 최적 하이퍼파라미터를 찾기 위해 사용되는 기법 중 하나입니다. 하이퍼파라미터는 모델의 학습 과정에 영향을 주는 매개변수로, 사용자가 직접 설정해야 하는 값입니다. 그리드 탐색은 가능한 모든 하이퍼파라미터 조합에 대해 모델을 평가하고 최적 조합을 찾아내는 방법입니다.알고리즘 동작 방식:하이퍼파라미터 그리드 생성: 먼저 그리드 탐색을 수행할 하이퍼파라미터들과 그들의 후보값들을 지정합니다. 이렇게 하이퍼파라미터들과 후보값들을 조합하여 하이퍼파라미터 그리드를 생성합니다.그리드 탐색 수행: 생성된 하이퍼파라미터 그리드에 대해 교차 검증(cross-validation) 또는 홀드아웃 검증(hold-out validation)을 사용하여 각 하이퍼파라미터 조합에.. 2024. 4. 28. 이전 1 다음
