전체 글 썸네일형 리스트형 ChatGPT로 암호화폐 분석 프로그램 만들기 도전 DAN 모드를 사용한 코린이의 ChatGPT로 암호화폐 예측하기 연습입니다. 영어나 프롬프트가 부족해 보여도 이해해 주세요~ # 1일차 ChatGPT에게 간단한 전략을 던져주고, 현재가에서 포지션을 취할 시 이득을 볼 확률을 알려달라고 했다. 1. 현재가에서 롱 포지션을 취하고, 1% 상승가에 포지션 종료 주문을, 1% 하락가에 스탑-로스 주문을 건다 2. 현재가에서 숏 포지션을 취하고, 1% 하락가에 포지션 종료 주문을, 1% 상승가에 스탑-로스 주문을 건다 현재가에서 각각의 전략을 취할 시, 이득을 볼 확률을 알려준다 (생각해보니 스탑-로스에 걸릴 확률도 알아야 할 것 같다) I need a Python code. I want to know analyze the price of Bitcoin at B.. 더보기 13. 차원 축소 - 주성분 분석(PCA) : 고객 소비 데이터 분석 [공부 자료 : Must Have 데싸노트의 실전에서 통하는 머신러닝] # 주성분 분석(PCA) - 주성분 분석(PCA, Principal Component Analysis) PCA의 목적 : 데이터의 차원 축소 데이터의 차원은 변수의 개수와 직결된다 차원 축소는 데이터 변수의 수를 줄이는 것 + 그 특성을 보존해 내는 것 PCA는 기존 변수들의 정보를 모두 반영하는 새로운 변수를 만드는 방식으로 차원을 축소 프로젝트의 특성에 따라 차원 축소가 필요 없는 경우도 있지만, 차원 축소를 통해 모델링 효율 개선, 시각화 등이 가능 PCA의 장점 다차원을 2차원에 적합하도록 차원 축소하여 시각화에 유용 변수 간의 높은 상관관게 문제를 해결 (변수 간에 상관관계가 있을 때, 이를 해결) 변수가 너무 많아 모델 학.. 더보기 12. 비지도 (클러스터링) - K-평균 군집화 : 쇼핑몰 고객 추천 서비스 [공부 자료 : Must Have 데싸노트의 실전에서 통하는 머신러닝] # K 평균 군집화 - K 평균 군집화 K 평균 군집화 : 비지도 학습의 대표 알고리즘 목표 변수가 없는 상태에서 데이터를 비슷한 유형끼리 묶어내는 머신러닝 기법 K 최근접 이웃 알고리즘과 비슷하게 거리 기반으로 작동하며, 적절한 K값(그룹 수)을 사용자가 지정해야 한다 중심점 K개를 임의로 설정하고, 가까이에 있는 데이터들을 해당 클러스터로 할당 K 평균 군집화의 장점 구현이 간단 클러스터링 결과를 쉽게 해석할 수 있다 K 평균 군집화의 단점 최적의 K값을 자동으로 찾지 못하고 사용자가 직접 선택해야 한다 거리 기반 알고리즘이기 때문에, 변수의 스케일에 따라 다른 결과가 나타날 수 있다 K 평균 군집화를 사용하면 좋은 경우 종속 변.. 더보기 11. 지도 (분류, 회귀) - LightGBM : 이상 거래 모니터링 [공부 자료 : Must Have 데싸노트의 실전에서 통하는 머신러닝] # LightGBM - LightGBM LightGBM : 최신 부스팅 기법 XGBoost와 비슷하거나 그 이상으로 활용되는 추세 리프 중심 트리 분할 방식을 사용 장점 XGBoost보다 빠르고 높은 정확도를 보여주는 경우가 많다 예측에 영향을 미친 변수의 중요도를 확인할 수 있다 변수 종류가 많고, 데이터가 클수록 상대적으로 뛰어난 성능을 보인다 표로 정리된 데이터에서 Catboost, XGBoost와 함께 가장 좋은 성능을 보여준다 (LightGBM ≒ Catboost > XGBoost) 종속변수가 연속형 데이터이든, 범주형 데이터이든 모두 사용 가능 이미지나 자연어가 아닌, 표로 정리된 데이터라면 거의 모든 상황에서 활용 가능 .. 더보기 10. 지도 (분류, 회귀) - XGBoost : 커플 성사 여부 예측하기 [공부 자료 : Must Have 데싸노트의 실전에서 통하는 머신러닝] # XGBoost - 부스팅 랜덤 포레스트 : 각 트리를 독립적으로 만드는 알고리즘 부스팅 : 순차적으로 트리를 만들어 이전 트리보다 더 나은 트리를 만들어내는 알고리즘 부스팅 알고리즘은 트리 모델을 기반으로 한 최신 알고리즘 중 하나 랜덤 포레스트보다 더 빠른 속도와 좋은 예측 능력을 보여준다 부스팅 알고리즘 종류 1. XG부스트 2. 라이트GBM 3. 캣 부스트 - 트리 모델의 진화 과정 1. 결정 트리 : 가장 기본적인 트리 모델 2. 배깅 : 부스트랩 훈련셋을 사용하는 트리 모델 부스트랩 : 데이터의 일부분을 무작위로 반복 추출하는 방법 (복원 추출 허용) 부스트랩으로 추출한 데이터의 여러 부분집합을 사용하여 여러 트리를 만든.. 더보기 09. 지도 (분류, 회귀) - 랜덤 포레스트 : 중고차 가격 예상하기 [공부 자료 : Must Have 데싸노트의 실전에서 통하는 머신러닝] # 랜덤 포레스트 - 랜덤 포레스트 랜덤 포레스트 : 결정 트리의 단점인 오버피팅 문제를 완화 랜덤으로 생성된 무수히 많은 트리를 이용하여 예측 → 다양한 트리의 의견을 반영하여 오버피팅 위험 감소 앙상블 기법을 사용한 모델 중 가장 보편적 앙상블 기법 여러 모델을 활용하여 하나의 모델을 이룬다 여러 모델의 각 예측값들을 투표 or 평균 등으로 통합하여 더 정확한 예측을 도모 랜덤 포레스트의 경우, 여러 개의 결정 트리를 만든다 랜덤 포레스트의 장점 결정 트리와 마찬가지로 아웃 라이어에 영향을 거의 받지 않는다 선형/비선형 데이터에 상관 없이 잘 작동한다 종속 변수가 연속형 데이터와 범주형 데이터인 경우 모두 사용 가능 오버피팅 문제.. 더보기 08. 지도학습 (분류, 회귀) - 결정 트리 : 연봉 수준 예측하기 [공부 자료 : Must Have 데싸노트의 실전에서 통하는 머신러닝] # 결정 트리 - 결정 트리 결정 트리 : 트리 기반 모델의 기본 모델 (classifier와 regression 둘 다 가능하지만, 주로 분류 문제에 사용) 트리 모델 vs. 선형 모델 선형 모델 : 각 변수에 대한 기울기값들의 최적화를 통해 모델을 학습 트리 모델 : 각 변수의 특정 지점을 기준으로 데이터를 분류하여 예측 모델을 생성 (데이터를 무수하게 쪼개서 예측) 특징 다른 트리 기반 모델을 설명하려면 결정 트리를 알아야 한다 트리 기반 모델은 딥러닝을 제외하고는 가장 유용하고 많이 사용되는 머신러닝 알고리즘 종속 변수가 연속형 데이터와 범주형 데이터인 경우 모두에 사용 가능 모델링 결과를 시각화할 목적으로 가장 유용 아웃라이.. 더보기 07. 지도 학습 (분류) - 나이브 베이즈 : 스팸 메일 분류하기 [공부 자료 : Must Have 데싸노트의 실전에서 통하는 머신러닝] # 나이브 베이즈 - 나이브 베이즈 알고리즘 나이브 베이즈 : 베이즈 정리를 적용한 조건부 확률 기반의 분류(classifier) 모델 조건부 확률 : A가 일어났을 때, B가 일어날 확률 (ex. '무료'라는 단어가 들어있을 때, 스팸 메일일 확률) 나이브 베이즈는 스팸 필터링을 위한 대표적 모델 조건부 확률을 기반으로 한 알고리즘으로, 사전확률과 사후확률을 활용 최근에는 딥러닝이 대안으로 등장하여 나이브 베이즈 모델을 사용하는 경우가 많이 감소 하지만 여전히 스팸 메일 필터링처럼 자연어 처리가 목적일 때는 나이브 베이즈 모델이 유용 딥러닝 - 자연어 처리에 탁월 나이브 베이즈 - 딥러닝보다 간단한 방법으로 자연어 처리 특징 범용성.. 더보기 이전 1 2 다음
