Techbrad

KNN 인접 기법 (k-nearest neighbor) KNN는 머신러닝 기법 중의 한가지로 값을 분류하는 알고리즘이다. 분류와 군집은 비슷해 보이지만 목표값을 알고 분석하는 것은 분류(지도학습), 목표값을 모르고 유사한 것끼리 묶은 것을 군집(비지도학습)이라한다. KNN은 지도학습의 한가지 기법이며 Instance - based Learning 으로 모델을 생성하지 않고 데이터를 분류하는데 사용됩니다. 즉 모델을 생성하지 않고 주어진 데이터를 갖고 바로 분석하기 때문에 오랜 시간이 걸린다. KNN에 대해 그림으로 설명하지면 아래의 그림에서 보면 빨간색 점이 새로운 데이터라고 가정하자. 이를 Class A로 할지 Class B로 분류할지 막막하며 KNN은 K(주변 데이터의 수)값을 갖고 새로운 데이터를 ..

Paired sample t-test (대응 표본) 대응 표본 t 검정이란 비교할 두 집단이 서로 독립적이어야하는 독립 표본 t 검정과는 다르게 두 집단이 상관 있는 경우 사용하는 검정 방법이다. 예를 들어 운동 초보와 운동 중급자가 같은 단백질 드링크를 마셨을 때 근육 성장률이 같을까? 이러한 조사를 하기 위해서는 대응 표본 t 검정을 이용할 수 있다. 좀 더 구체적으로 말하면 30명의 사람이 단백질 드링크를 먹고 나서 근육 성장률의 평균을 조사했다고 가정하자. 똑같은 30명의 사람이 한달 동안 운동을 꾸준히 한 후 단백질 드링크를 먹었을 때 평균을 구해 비교할 수 있다. . 실습 10명의 사격자가 1차, 2차 사격을 했을 때 각 차수의 평균을 비교해보았다. H0(귀무가설): 1차와 2차 사격의 평균은..

Independent two sample t-test (독립 표본) 표본의 두 집단이 서로 관계가 없는 가정 하에 두 집단의 평균의 차이가 유의한지 검증하는 방법이다. 만약 A와 B 비타민을 먹은 사람들의 건강 수치의 평균을 비교하고자 할 때 20명을 뽑아 A와 B 비타민을 먹은 경우 독립 되었다고 할 수 없다. A 비타민을 복용 후 B 비타민에 영향을 주었을 수도 있기 때문이다. 따라서 20 명씩 두 집단을 뽑아 A와 B 비타민을 각각 복용하는 경우 독립되었다라고 할 수 있다. 실습 흡연자와 비흡연자의 단기 기억력을 비교하면서 실습을 진행하였다. H0(귀무가설): 흡연자와 비흡연자의 단기 기억력은 같다. H1(대립가설): 흡연자와 비흡연자의 단기 기억력은 다르다. R 활용 # 데이터 nonsmokers..

One sample t-test (단일 표본) 표본 집단의 평균과 모집단의 평균을 비교하여 표본 집단의 평균으로 모집단의 평균을 설명할 수 있는지 검증하는 방법이다. 쉽게 말해 수능 모의고사를 치루어 반에서 높은 점수를 받았는데 전국 학생들과 비교했을 때에도 높은 점수가 맞는지 확인 할 때 사용한다고 볼 수 있다. 실습 전체 모평균이 25이고 표본 20개를 추출하여 표본의 평균이 전체 모평균을 설명하고 유의미한지 검증해보도록 하겠습니다. H0(귀무가설): 20개의 샘플 데이터를 통해, 모 평균이 25라는 것이 옳다는 것을 증명 H1(대립가설): 20개의 샘플 데이터를 통해, 모 평균이 25라는 것이 틀리다는 것을 증명 R 활용 # 표본 20개 데이터 추출 data