R <KoNLP 설치 방법> R 버전이 높아지면서 KoNLP가 설치가 까다로워졌다. 유튜브, 교수님께서 알려주신 방법 다 안됐는데 밑의 방법으로 KoNLP가 설치 되었다.. (아래 코드를 한줄 한줄 입력하시면 됩니다.) 1. install.packages("multilinguer") 2. multilinguer::install_jdk() 3. install.packages("KoNLP", repos = c("https://forkonlp.r-universe.dev", "https://cloud.r-project.org"), INSTALL_opts = c("--no-multiarch") ) 2021. 12. 12. R 오류 해결법 <윈도우즈 폰트데이터베이스에서 찾을 수 없는 폰트페밀리입니다> R에서 윈도우즈 폰트데이터베이스에서 찾을 수 없는 폰트페밀리입니다 오류날 때 1. install.packages("extrafont") 2. library(extrafont) 3. font_import(paths=NULL, recursive = TRUE, prompt=TRUE, pattern=NULL) 4. 뜨는 질문에 y 입력 - 30분 정도 소요됨 2021. 12. 12. [R] 랜덤 포리스트 1. 랜덤 포리스트 랜덤 포리스트: 여러 개의 결정 트리를 결합하여 성능을 향상하는 앙상블 기법 (랜덤 포리스트는 포리스트에 나무가 많다는 데 착안하여 생긴 이름이다. 여러 개의 결정 트리를 만들 때 난수를 사용하기 때문에 랜덤이라는 단어가 붙어 있다.) 요소 분류기: 앙상블 기법에서의 각각의 분류기 약한 분류기: 성능이 그리 뛰어나지 않은 분류기 2. 랜덤 포리스트의 원리 - 앙상블 기법은 요소 분류기로 약한 분류기를 주로 사용한다. - 때로는 일부러 기본 성능을 약간 넘는 아주 낮은 성능을 지닌 분류기를 만들기도 한다. - 이때 요소 분류기가 서로 독립적일수록 결합 성능이 좋아지기 때문에 요소 분류기를 만들 때 난수를 사용하여 독립성을 확보한다. - 결정 트리에서는 루트 노드의 질문을 만들 때 여러 .. 2021. 12. 2. [R] 결정 트리의 해석 1. summary 함수로 결정 트리 해석하기 - summary 함수를 사용하면 결정 트리의 내용을 보다 상세하게 알 수 있다. - variable importance 행은 설명 변수의 중요성을 순서대로 보여준다. - P(node)는 이 노드에 도달할 확률 2. 결정 트리 시각화하기 (rpart.plot 라이브러리 사용) library(rpart.plot) rpart.plot(r, type = 4) 3. 결정 트리의 장점과 단점 ① 장점 - 결정 트리의 예측 결과는 해석이 가능하다. - 예측 과정이 매우 빠르다. - 여러 개의 결정 트리를 결합하면 높은 성능의 예측기를 만들 수 있다. - 결측값을 가진 샘플을 처리할 수 있다. - 범주형 변수를 그대로 사용할 수 있다. ② 단점: 성능이 낮다. -> 높은.. 2021. 12. 1. [R] 결정 트리 함수의 사용 (rpart) 1. iris 데이터에 rpart 적용하기 설명 변수: 꽃받침의 길이와 너비, 꽃잎의 길이와 너비 반응 변수: {setosa, versicolor, virginica}의 3개 부류를 가진 Species r = rpart(Species~., data = iris) 첫 번째 매개변수: '반응 변수 ~ 설명 변수로 정의되는 수식' 형태 iris의 경우 4개의 설명 변수를 모두 사용하므로 수식을 Species~. 형식으로 지정 두 번째 매개변수: iris 데이터를 사용한다는 사실을 알려준다. 참고) 반응 변수는 범주형이여야한다. 만일 범주형이 아니라면 범주형으로 변환한 다음에 사용하거나 rpart(···.,method='class')옵션을 설정해야 한다. 그렇지 않으면 rpart가 분류가 아닌 회귀로 작동한다... 2021. 11. 30. [R] 결정 트리의 원리 1. 결정 트리 스무고개와 비슷한 원리로 분류 문제를 해결한다. '예'와 '아니요'에 해당하는 2개의 가지를 뻗는다. 2. 용어 정리 노드: 문제에 해당하는 곳 루트 노드: 맨 꼭대기에 있는 노드 리프 노드: 자식이 없는 노드 에지: 부모 노드와 자식 노드를 연결하는 선 트리: 위의 사진과 같은 전체 구조 이진 트리: 모든 노드가 2개 이하의 자식 노드만 가진 것 깊이: 가장 깊은 레벨의 트리의 깊이 -> 트리는 계층 구조를 표현하는데, 루트 노드는 레벨 0, 그 자식 노드는 레벨 1, 그 자식 노드는 레벨 2에 해당한다. 위의 사진의 이진 트리 깊이는 3이다. 2021. 11. 30. [R] 회귀와 분류 1. 회귀와 분류 회귀: 반응 변수가 연속인 경우의 모델링 문제 분류: 반응 변수가 연속이 아닌 몇 가지 부류 값을 가지는 문제 2. 분류 문제를 푸는 기법 - 결정트리 - 랜덤 포리스트 - K-NN - 신경망 - 딥러닝 3. 이진 분류 반응 변수가 가질 수 있는 값을 부류 레이블이라고 하는데 보통 줄여서 부류 또는 레이블이라 부른다. 그 중 부류의 개수가 2개인 분류 문제를 이진 분류라고 한다. 2021. 11. 30. [R] 분류를 위한 모델(목차) 목차 1. 회귀와 분류 2. 결정 트리의 원리 3. 결정 트리 함수의 사용 4. 결정 트리의 해석 5. 랜덤 포리스트 6. SVM과 K-NN 7. 분류 모델의 다양한 적용 2021. 11. 30. [R] 일반화 선형 모델(목차) 목차 1. 일반화 선형 모델은 왜 필요한가? 2. 일반화 선형 모델 3. 로지스틱 회귀 4. 로지스틱 회귀의 적용: UCLA admission 데이터 5. 로지스틱 회귀의 적용: colon 데이터 2021. 11. 30. 이전 1 2 3 4 5 6 다음
