�ݺ�ߣ

Introduction to
Machine Learning with Python
2. Supervised Learning(3)
Honedae Machine Learning Study Epoch #2
1

Contacts
Haesun Park
Email : haesunrpark@gmail.com
Meetup: https://www.meetup.com/Hongdae-Machine-Learning-Study/
Facebook : https://facebook.com/haesunrpark
Blog : https://tensorflow.blog
2

Book
파이썬 라이브러리를 활용한 머신러닝, 박해선.
(Introduction to Machine Learning with Python, Andreas
Muller & Sarah Guido의 번역서입니다.)
번역서의 1장과 2장은 블로그에서 무료로 읽을 수 있습니다.
원서에 대한 프리뷰를 온라인에서 볼 수 있습니다.
Github:
https://github.com/rickiepark/introduction_to_ml_with_python/
3

커널 서포트 벡터 머신
4

Linear SVM
5
결정 평면의 기울기를 줄여 마진을
최대화하기 위해 w를 최소화
마진 위배를 허용하는 슬랙변수를 최소화
같은 epsilon 높이에서 마진을
최대화하기 위해 w를 최소화

커널 기법kernel trick
어떤 특성을 추가해야할 지 불분명하고 많은 특성을 추가하면 연산 비용 커짐
커널 함수라 부르는 특별한 함수를 사용하여 데이터 포인트 간의 거리를 계산하여
데이터 포인트의 특성이 고차원에 매핑된 것 같은 효과를 얻음
다항 커널
xa = 𝑎1, 𝑎2 , 𝑥 𝑏 = 𝑏1, 𝑏2 일때 (𝑥 𝑎⋅ 𝑥 𝑏)2 = (𝑎1 𝑏1 + 𝑎2 𝑏2)2 =
𝑎1
2
𝑏1
2
+ 2𝑎1 𝑏1 𝑎2 𝑏2 + 𝑎2
2
𝑏2
2
= 𝑎1
2
, 2𝑎1 𝑎2, 𝑎2
2
⋅ (𝑏1
2
, 2𝑏1 𝑏2, 𝑏2
2
)
RBFradial basis function 커널
exp(−𝛾 𝑥 𝑎 − 𝑥 𝑏
2
), 𝑒 𝑥의테일러 급수 전개: 𝐶 𝑛=0
∞ 𝑥 𝑎⋅𝑥 𝑏
𝑛
𝑛!
무한한 특성 공간으로 매핑하는 효과, 고차항일 수록 특성 중요성은 떨어짐
7

SVM 이해하기
커널 기법을 적용한 SVM을 ‘커널 SVM’ 혹은 그냥 ‘SVM’으로 부릅니다.
Scikit-Learn은 SVC, SVR 클래스를 제공합니다.
클래스 경계에 위치한 데이터 포인트를
서포트 벡터라 부릅니다.
RBF 커널을 가우시안Gaussian 커널이라고도 부릅니다.
8유클리디안 거리
커널의 폭(gamma), 𝑒0
~𝑒−∞
= 1~0
𝛾가 작을 수록 샘플의 영향 범위 커짐
𝛾 =
1
2𝜎2일 때 𝜎를 커널의 폭이라 부름
exp(−𝛾 𝑥 𝑎 − 𝑥 𝑏
2
)

SVC + forge dataset
9
서포트 벡터

매개변수 튜닝
10
small gamma
less complex
large gamma
more complex
small C
큰 제약, 과소적합
large C
작은 제약, 과대적합

SVC + cancer dataset
11
C=1, gamma=1/n_features
과대적합
cancer 데이터셋의
데이터 스케일
SVM은 특성의 범위에
크게 민감함

데이터 전처리
MinMaxScaler :
𝑋 −min(𝑋)
max 𝑋 −min(𝑋)
, 0 ~ 1 사이로 조정
12

SVC + 전처리 데이터
13
전처리된 후에는 오히려 과소적합 됩니다.
제약완화

장단점과 매개변수
장점
강력하며 여러 종류의 데이터셋에 적용가능합니다.
특성이 적을 때에도 복잡한 결정 경계 만듦니다(커널 트릭).
특성이 많을 때에도 잘 작동합니다.
SVC/SVR(libsvm), LinearSVC/LinearSVR(liblinear)
단점
샘플이 많을 경우 훈련 속도가 느리고 메모리를 많이 사용합니다(>100,000).
데이터 전처리와 매개변수에 민감합니다.(랜덤 포레스트, 그래디언트 부스팅)
분석하기 어렵고 비전문가에게 설명하기 어렵습니다.
매개변수
C, gamma, coef0(다항, 시그모이드), degree(다항)
𝑙𝑖𝑛𝑒𝑎𝑟: 𝑥1 ⋅ 𝑥2, 𝑝𝑜𝑙𝑦: 𝛾 𝑥1 ⋅ 𝑥2 + 𝑐 𝑑
, 𝑠𝑖𝑔𝑚𝑜𝑖𝑑: tanh(𝛾 𝑥1 ⋅ 𝑥2 + 𝑐) 14

퍼셉트론perceptron
1957년에 프랑크 로젠블라트가 발표하였습니다.
종종 뉴럴 네트워크를 멀티레이어 퍼셉트론multilayer perceptron으로도 부릅니다.
사이킷런은 sklearn.linear_model.Perceptron 클래스를 제공하다가 0.18 버전에서
MLPClassifier, MLPRegressor 추가되었습니다.
16입력 레이어
출력 레이어

선형 모델의 일반화
𝑦 = 𝑤 0 × 𝑥 0 + 𝑤 1 × 𝑥 1 + ⋯ + 𝑤 𝑝 × 𝑥 𝑝 + 𝑏
17
가중치
유닛
신경망 그림에서 편향이
표현되지 않는 경우가 종종
있습니다.

다층 퍼셉트론
h 0 = 𝑤 0,0 × 𝑥 0 + 𝑤 1,0 × 𝑥 1 + 𝑤 2,0 × 𝑥 2 + 𝑤 3,0 × 𝑥 3 + 𝑏 0
h 0 = 𝑤 0,1 × 𝑥 0 + 𝑤 1,1 × 𝑥 1 + 𝑤 2,1 × 𝑥 2 + 𝑤 3,1 × 𝑥 3 + 𝑏 1
h 0 = 𝑤 0,2 × 𝑥 0 + 𝑤 1,2 × 𝑥 1 + 𝑤 2,2 × 𝑥 2 + 𝑤 3,2 × 𝑥 3 + 𝑏 2
𝑦 = 𝑣 0 × ℎ[0] + 𝑣 1 × ℎ 1 + 𝑣 2 × ℎ 2 + 𝑏
18

Naming
완전 연결 뉴럴 네트워크
(Fully Connected Neural Network)
덴스 네트워크
(Dense Network)
멀티 레이어 퍼셉트론
(Multi-Layer Perceptron)
피드 포워드 뉴럴 네트워크
(Feed Forward Neural Network)
딥 러닝
(Deep Learning)
19
뉴런 혹은 유닛unit으로 불립니다.
(동물의 뇌와 전혀 관련이 없습니다)

다층 퍼셉트론
h 0 = tanh(𝑤 0,0 × 𝑥 0 + 𝑤 1,0 × 𝑥 1 + 𝑤 2,0 × 𝑥 2 + 𝑤 3,0 × 𝑥 3 + 𝑏 0 )
h 0 = tanh(𝑤 0,1 × 𝑥 0 + 𝑤 1,1 × 𝑥 1 + 𝑤 2,1 × 𝑥 2 + 𝑤 3,1 × 𝑥 3 + 𝑏 1 )
h 0 = tanh(𝑤 0,2 × 𝑥 0 + 𝑤 1,2 × 𝑥 1 + 𝑤 2,2 × 𝑥 2 + 𝑤 3,2 × 𝑥 3 + 𝑏 2 )
𝑦 = 𝑣 0 × ℎ[0] + 𝑣 1 × ℎ 1 + 𝑣 2 × ℎ 2 + 𝑏
20
이진분류일 경우 시그모이드
다중분류일 경우 소프트맥스 함수 사용
비선형 활성화 함수

비용 함수
로지스틱 회귀와 마찬가지로 로지스틱 비용 함수(이진분류)나 크로스엔트로피
비용 함수(다중분류)를 사용합니다.
모델 함수가 비선형이므로 최적값을 해석적으로 계산하지 못해 경사 하강법gradient
descent 계열의 알고리즘을 즐겨 사용합니다.
각 가중치 w에 대해 비용 함수를 미분하여 기울기 아래쪽으로 조금씩(learning_rate)
이동합니다.
비용 함수를 직접 w에 대해 미분하는 대신 체인룰을 이용해 미분값(그래디언트)을
누적하여 곱해갑니다(역전파backpropagation)
21
−
𝑖=1
𝑛
𝑦𝑙𝑜𝑔 𝑦
𝑑 𝑦
𝑑𝑤
=
𝑑 𝑦
𝑑𝑢
⋅
𝑑𝑢
𝑑𝑤

활성화 함수activation function
은닉 유닛의 가중치 합의 결과에 비선형성을 주입
렐루ReLU, 하이퍼볼릭 탄젠트tanh, 시그모이드sigmoid
22
기울기가 0에 가까워집니다.
x>0 그래디언트는 1
x=0 (sub)그래디언트는 0
x<0 그래디언트는 0
(여러 변종 등장)
𝑑𝑦
𝑑𝑤
=
𝑑𝑦
𝑑𝑢
⋅
𝑑𝑢
𝑑𝑤

MLPClassifier + two_moons
23
hidden_layer_sizes=[100],
activation=‘relu’
Limited BFGS
의사 뉴턴 방법

레이어 추가, tanh 활성화 함수
25

L2 규제 매개변수 alpha
26
기본값
낮은 규제 높은 규제

신경망의 복잡도
은닉층의 수가 많을 수록,
은닉층의 유닛 개수가 많을 수록,
규제가 낮을 수록 복잡도가 증가됨
모델 훈련시 훈련 샘플마다 은닉층의 유닛의 일부를 랜덤하게 작동시키지 않아
마치 여러개의 신경망을 앙상블하는 것 같은 드롭아웃dropout이 신경망에서 과대적합
방지하는 대표적인 방법  scikit-learn에 추가될 예정
27

랜덤 초기화
모델을 훈련할 때 가중치를 무작위로 초기화
모델의 크기와 복잡도가 낮으면 영향을 미칠 수 있음
28

가중치 초기화 방법
Scikit-Learn에서는 Glorot 초기화 방식을 사용하여 가중치와 편향을 모두
초기화합니다.
시그모이드 함수: −
2
𝑛𝑖𝑛𝑝𝑢𝑡𝑠+𝑛 𝑜𝑢𝑡𝑝𝑢𝑡𝑠
~ +
2
의 균등 분포
tanh, relu 함수: −
6
~ +
6
의 균등 분포
* Xavier 초기화
시그모이드: ±
6
𝑛 𝑖𝑛𝑝𝑢𝑡𝑠+𝑛 𝑜𝑢𝑡𝑝𝑢𝑡𝑠
tanh: ±4
6
relu: ± 2
6
29

MLPClassifier + cancer dataset
신경망에서도 데이터의 범주에 민감함
30
평균이 0이고, 분산이 1인 표준정규분포
표준 점수 또는 z 점수
StandardScaler

MLPClassifier + adam
31
최대 반복횟수 도달
(기본값 200)
solver=‘adam’ (Adaptive Moment Estimation)

신경망의 가중치 검사
32
밝을수록 큰 값
입력층과 은닉층 사이의 가중치
은닉층과 출력층 사이의 가중치는 해석하기 더 어렵습니다.
덜 중요하다고 판단됨

DL framework landscape
33
+
PyTorch
Caffe2
(Python)
lasagna
Python
’17 Mar. KDnuggets
Wrapper

장단점과 매개변수
장점
충분한 시간과 데이터가 있으면 매우 복잡한 모델을 만들 수 있습니다.
종종 다른 알고리즘을 압도하는 성능을 발휘합니다(음성인식, 이미지분류, 번역 등)
단점
데이터 전처리에 민감합니다(배치 정규화).
이종의 데이터 타입일 경우 트리모델이 더 나을 수 있습니다.
매개변수 튜닝이 매우 어렵습니다(학습된 모델 재사용).
Scikit-Learn은 콘볼루션convolution이나 리커런트recurrent 신경망을 제공하지 않습니다.
매개변수
solver=[‘adam’, ‘sgd’, ‘lbfgs’],
sgd일 경우 momentum + nesterovs_momentum
alpha(L2 규제)
34
𝛼 ↑ → 규제 ↑ 𝑤 ↓
𝛼 ↓ → 규제 ↓ 𝑤 ↑

신경망의 복잡도와 권장 설정
100개의 특성과 100개의 은닉 유닛, 1개의 출력 유닛 = 10,100개의 가중치
+ 100개의 유닛을 가진 은닉층 추가  10,000개의 가중치 증가
만약 1000개 유닛을 가진 은닉층이라면 101,000 + 1,000,000 = 1,101,000개
solver의 기본값은 ‘adam’으로 데이터 스케일에 조금 민감합니다.
("The Marginal Value of Adaptive Gradient Methods in Machine Learning," A. C. Wilson et al. (2017), 에서
Adam, RMSProp 등이 보여준 회의적인 결과로 모멘텀 방식을 함께 고려해야 합니다.)
‘lbfgs’는 안정적이지만 규모가 큰 모델이나 대량의 데이터셋에서는 시간이 오래
걸립니다.
‘sgd’는 ’momentum’과 ‘nesterov_momentum’ 옵션과 함께 사용합니다.
35

모멘텀
모멘텀 알고리즘은 이전 그래디언트 값을 가속도와 같이 생각하여 전역 최적값의
방향으로 더 빠르게 수렴하게 만듭니다.
momentum 매개변수는 일종의 댐퍼와 같은 역할을 합니다.
𝑣 𝑡+1 = 𝜇𝑣 𝑡 − 𝜖𝑔 𝜃𝑡
𝜃𝑡+1 = 𝜃𝑡 + 𝑣 𝑡+1
36
learning_ratemomentum

네스테로프 모멘텀
네스테로프 모멘텀은 모멘텀 방식으로 진행한 후의 그래디언트를 계산하여 현재에
적용합니다.
𝑣 𝑡+1 = 𝜇𝑣 𝑡 − 𝜖𝑔 𝜃𝑡 + 𝜇𝑣 𝑡
𝜃𝑡+1 = 𝜃𝑡 + 𝑣 𝑡+1
실제 구현에서는 앞선 그래디언트를 계산하는 대신 모멘텀 방식을 두 번 적용하여
네스테로프의 근사값을 구합니다.(https://tensorflow.blog/2017/03/22/momentum-nesterov-momentum/ 참조)
37

분류의 불확실성 추정
38

분류의 불확실성
어떤 테스트 포인트에 대해 예측 클래스 뿐만 아니라 얼마나 그 클래스임을
확신하는지가 중요할 때가 있음
대부분 decision_function 과 predict_proba 메서드 둘 중 하나는 제공함
39

결정 함수
40
이진 분류에서 decision_function() 반환값의 크기 (n_samples,)
𝑦 = 𝑤 0 × 𝑥 0 + 𝑤 1 × 𝑥 1 + ⋯ + 𝑤 𝑝 × 𝑥 𝑝 + 𝑏

결정 경계 + decision_function
41

예측 확률
predict_proba() 반환값의 크기 (n_samples, n_classes)
가장 큰 확률 값을 가진 클래스를 예측 클래스로 선택함
42

결정 경계 + predict_proba
43

다중 분류 + decision_function
반환값의 크기는 (n_samples, n_classes)
가장 큰 값이 예측 클래스가 됨
44

다중 분류 + predict_proba
반환값의 크기는 (n_samples, n_classes)
45

알고리즘 정리
최근접 이웃
작은 데이터셋일 경우, 기본 모델로서 좋고 설명하기 쉬움.
선형 모델
첫 번째로 시도할 알고리즘. 대용량 데이터셋 가능. 고차원 데이터에 가능.
나이브 베이즈
분류만 가능. 선형 모델보다 훨씬 빠름. 대용량 데이터셋과 고차원 데이터에 가능.
선형 모델보다 덜 정확함.
결정 트리
매우 빠름. 데이터 스케일 조정이 필요 없음. 시각화하기 좋고 설명하기 쉬움.
47

랜덤 포레스트
결정 트리 하나보다 거의 항상 좋은 성능을 냄. 매우 안정적이고 강력함.
데이터 스케일 조정 필요 없음. 고차원 희소 데이터에는 잘 안 맞음.
그래디언트 부스팅
랜덤 포레스트보다 조금 더 성능이 좋음. 랜덤 포레스트보다 학습은 느리나 예측은
빠르고 메모리를 조금 사용. 랜덤 포레스트보다 매개변수 튜닝이 많이 필요함.
서포트 벡터 머신
비슷한 의미의 특성으로 이뤄진 중간 규모 데이터셋에 잘 맞음.
데이터 스케일 조정 필요. 매개변수에 민감.
신경망
특별히 대용량 데이터셋에서 매우 복잡한 모델을 만들 수 있음.
매개변수 선택과 데이터 스케일에 민감. 큰 모델은 학습이 오래 걸림.
48

�ݺ�ߣ

2.supervised learning(epoch#2)-3

Recommended

More Related Content

What's hot (20)

Similar to 2.supervised learning(epoch#2)-3 (20)

2.supervised learning(epoch#2)-3

Editor's Notes