라쏘 선형 회귀에 규제를 적용하는 데 Ridge의 대안으로 Lasso가 있다. 릿지 회귀에서와 같이 라쏘도 계수를 0에 가깝게 만들려고 한다. 하지만 방식이 조금 다르고 , 이를 L1 규제라고 한다. L1 규제의 결과로 라쏘를 사용할 때 어떤 계수는 정말 0이 된다 이 말은 모델에서 완전히 제외되는 특성이 생긴다는 뜻이다. 어떻게 보면 특성 선택 ( feature selection )이 자동으로 이뤄진다고 볼 수 있다. 일부 계수를 0으로 만들면 모델을 이해하기 쉬워지고 이 모델의 가장 중요한 특성이 무엇인지 드러난다. 확장된 보스턴 주택가격 데이터셋에 라쏘를 적용해 보겠다. 코드를 통해서 확인해 보자 . from sklearn.linear_model import Lasso import mglearn f..

먼저 , 위와 같은 도표가 있다고 하자 . 보면 , 화장실 , 평수 , 위치 , 가격 순서대로 있다는것을 알 수 있다. 그리고 무엇이 생각나는가..? 지도학습은 , 기존의 데이터를 가지고 데이터를 예측해 보는 것인데 화장실 , 평수 , 위치를 기반으로 지도학습을 하여서 회귀를 통한 가격을 예측해 볼 수 있을까? 라는 의문점을 남긴다. 먼저 간단하게 개념정리를 해본다. 매개변수 à y =ax+b à a,b를 찾는 것 è 매개변수를 찾는 것 : 모델링 하이퍼 파라미터 à 일반화 = 최적화 , 사용자가 값을 조정하는 것 è 가중치 : 어떠한 것에 영향을 어느정도 미치는 가에 따라서 è 가중치를 줄 때 , 하이퍼 파라미터를 사용하며 , 위의 도표를 통해서 , 가격을 예측한다고 했을 때 화장실, 평수, 위치에 따..