머신러닝 알고리즘 종류

1. 의사결정나무

데이터를 나무구조로 도표화하여 어떤 문제에 대한 관측값과 목표값을 연결해주는 예측 모델이다. 이 알고리즘은 결정나무라는 결정에 도달하기 위해 Yes/No 질문을 이어나가면서 학습하고 트리가 어떻게 작동하는지에 대한 중요도를 확인할 수 있다는 장점이 있다.

 

2. k-최근접 이웃

기존 데이터와 예측 데이터 사이의 거리를 측정하여 가장 유사한 k개의 데이터로 범주를 예측한다. kNN은 간단하고도 직관적인 알고리즘이다.

 

3. SVM

결정경계(분류를 위한 선)를 정의하는 모델로서 그 경계를 기준으로 어느 쪽에 해당하는지를 통해 분류 및 예측을 수행하는 알고리즘이다.

 

4. 랜덤 포레스트

다수의 의사결정나무가 모여 숲을 이룬 형태로 모델을 학습하는 방법이다. 다시 말해 여러 개의 결정나무들을 임의적으로 학습하는 방식의 앙상블이라고 할 수 있다. 랜덤 포레스트 방법은 크게 다수의 결정나무들을 구성하는 학습 단계와 입력 데이터가 들어왔을 때 분류하거나 예측하는 검증 단계로 구성되어 있다.

 

5. 나이브 베이즈

베이즈 정리를 바탕으로 임의의 데이터가 특정 클래스에 속할 확률을 계산하며 주로 텍스트 분류에 활용된다.

 

6. DNN

입력층과 출력층 사이에 여러 개의 은닉층들로 이루어진 인공신경망이다. 심층 신경망은 일반적인 인공신경망과 마찬가지로 복잡한 비선형 관계들을 모델링할 수 있다.

 

7. K-means

비슷한 특성을 지닌 데이터들끼리 묶어 K개의 군집으로 군집화하는 대표적인 군집화 기법이다.