WEBVTT 00:01.160 --> 00:02.000 좋아요 00:02.000 --> 00:09.890 멈춘 곳에서 기능 Get 기능을 만들었죠 4가지 기능으로 기능 사전을 만드는 00:09.890 --> 00:11.180 거예요 00:11.210 --> 00:20.180 한 번 보죠 기능을 get 요청해 초기 훈련 지점을 호출하는 거예요 00:20.180 --> 00:24.980 Get을 누르면 이 멋진 사전이 나와요 00:25.010 --> 00:28.100 2파운드예요 무게로 2kg이에요 00:28.100 --> 00:30.380 그게 평균 등급이죠 00:30.410 --> 00:32.510 텍스트의 길이예요 00:32.510 --> 00:35.510 일류 전자 제품 브랜드도 아니고요 00:35.510 --> 00:39.620 그래서 우리가 만든 건 다소 빈약한 형태가 됐죠 00:39.830 --> 00:42.980 더 잘할 수 있어요 더 잘하도록 해요 00:43.220 --> 00:43.970 좋아요 00:44.000 --> 00:47.660 이제 머신 러닝을 할 거예요 00:47.660 --> 00:54.260 항목 목록을 데이터 프레임으로 변환하는 유틸리티 함수가 있어요 00:54.290 --> 00:55.730 팬더스 데이터 프레임이에요 00:55.730 --> 01:00.710 자세히 설명하진 않겠습니다 전통적인 머신 러닝 과목이 아니니까요 01:00.920 --> 01:05.990 데이터 프레임에 대해 잘 아신다면 훈련 데이터와 테스트 데이터 프레임에 01:05.990 --> 01:11.690 사용합니다 테스트 데이터 세트에서 상위 250포인트를 고르는 거죠 01:12.020 --> 01:13.250 자, 됐어요 01:13.280 --> 01:16.490 변환 작업을 했고 이제 비즈니스가 시작됐어요 01:16.490 --> 01:20.330 전통적인 선형 회귀를 실행하는 곳이죠 01:20.750 --> 01:23.900 특징을 설정하죠 01:24.170 --> 01:28.880 기능의 열 이름을 지정해요 01:28.910 --> 01:31.250 모든 액션이 일어나는 곳이죠 01:31.250 --> 01:35.840 모델 = 선형 회귀는 우리가 선형 회귀 모델을 원한다는 뜻이죠 01:35.840 --> 01:45.050 그 모델을 엑스 값, 기능, y 값에 맞추는 건 훈련 데이터 집합의 실제 가격이에요 01:45.080 --> 01:50.540 여기서 액션이 일어나고 모델이 실제로 맞는 거죠 01:50.720 --> 01:57.980 그런 다음 특징과 계수 무게를 출력하죠 01:57.980 --> 02:02.870 그걸 보면서 각 특징이 얼마나 중요한지 알 수 있죠 get get get get it 02:02.900 --> 02:09.380 그런 다음 테스트 세트에서 예측을 실행합니다 평균 제곱 에러와 R 제곱을 얻기 02:09.380 --> 02:14.810 위해서요 여러분 중 데이터 과학자들이 그걸 보고 싶어 하니까요 02:14.810 --> 02:19.940 하지만 걱정 마세요, 곧 보게 될 테니까요 우리가 전에 만든 프레임워크를 이용해서요 02:19.970 --> 02:22.070 같은 그래프에 나타나요 02:22.070 --> 02:27.710 평균 모델과 비교해서 어디서 나올지 추측해 보세요 02:27.710 --> 02:31.460 우리가 이기려고 하는 걸 상기시키기 위해 평균 모델을 잠깐 보죠 02:31.460 --> 02:37.310 평균 오차는 145달러 146센트죠 02:37.310 --> 02:41.960 선형 회귀가 평균보다 나아졌으면 좋겠어요 02:41.960 --> 02:42.620 어디 보죠 02:42.650 --> 02:44.000 일단 해 보죠 02:45.470 --> 02:46.460 금방 끝나요 02:47.090 --> 02:53.030 계수와 무게에 따라 무게가 달라지면 무게가 작아지다가 02:53.030 --> 02:58.100 양극이 되는 걸 알 수 있어요 02:58.130 --> 03:01.400 순위가 더 커졌어요 03:01.400 --> 03:05.450 텍스트 길이가 아주 작고 신호도 아주 낮아요 03:05.480 --> 03:07.460 최고의 전자제품 브랜드인가요? 03:07.490 --> 03:08.690 큰 차이가 있죠 03:08.720 --> 03:11.210 톱 전자 제품은 많이 받아요 Get it 03:11.720 --> 03:20.540 이제 이걸 함수로 래핑할 거예요 이걸 테스트용 시각화기에 사용할 03:20.540 --> 03:23.060 거거든요 03:23.060 --> 03:26.530 선형 회귀 프라이서라는 함수로 감싸요 03:26.560 --> 03:32.710 그런 다음 우린 그냥∙∙∙ 항목을 전달하죠 03:32.710 --> 03:34.720 해당 아이템의 기능을 get 할 거예요 03:34.720 --> 03:37.030 그걸 데이터 프레임으로 변환할 거예요 03:37.030 --> 03:43.030 그런 다음 선형 회귀 모델을 불러 어디서 올지 예측하죠 03:43.060 --> 03:45.220 어떻게 되는지 보죠 03:45.490 --> 03:47.560 테스터요, 점 테스터 03:49.000 --> 03:51.400 선형 회귀 프라이저예요 03:53.380 --> 03:54.550 마음의 준비 됐어요? 03:54.580 --> 03:55.990 평균을 기억하세요 03:55.990 --> 03:56.860 시작할게요 03:57.010 --> 04:00.970 그 전에 감옥을 실행해요 04:01.480 --> 04:04.270 제가 몇 번이나 그랬죠? 04:05.650 --> 04:06.340 좋아요! 04:06.340 --> 04:08.680 색깔이 보이네요 04:08.680 --> 04:13.210 붉은색이 많이 보이는데 전보다 녹색이 더 많아요 04:13.240 --> 04:15.190 그렇게 끔찍하진 않았을 거예요 04:15.190 --> 04:17.050 제대로 하고 있어요 04:17.470 --> 04:18.490 어디 보죠 04:18.520 --> 04:20.500 자, 다 됐어요 04:20.530 --> 04:23.860 평균보다 약간 더 비트 박스가 잘 나왔어요 04:23.860 --> 04:25.480 비트보다 조금 더 낫네요 04:25.480 --> 04:32.740 실제로 결과를 보시면 기본적으로 여기에 약간 증가한 것을 볼 수 있습니다. 하지만 04:32.740 --> 04:40.250 평균 점 부근에 클러스터되어 있습니다. 어떤 점들은 약 200달러 더 증가하고요. 04:40.250 --> 04:41.600 그거 알아요? 04:41.600 --> 04:47.900 전자 제품 브랜드가 최고라는 걸 보여주는 제품들이 될 거예요 04:48.170 --> 04:53.300 그래서 약간 들뜬 상태였고 한 시점에서 잘 풀렸어요 04:53.300 --> 04:57.950 하지만 그 외에는 모델에게 도움이 되지 않았어요 04:58.160 --> 05:00.680 최선을 다했어요 05:00.710 --> 05:06.890 139... 에러가 났네요 05:06.890 --> 05:09.170 그리고 히트 쳤죠 05:09.200 --> 05:13.040 16% 정도는 녹색이었어요 05:13.340 --> 05:15.410 이게 우리 선형 회귀 모델이에요 05:15.410 --> 05:16.580 더 잘할 수 있잖아요 05:16.610 --> 05:17.300 들어오세요 05:17.330 --> 05:18.920 이제 기능을 설계해 보죠 05:18.920 --> 05:20.810 새롭진 않죠 05:20.930 --> 05:22.100 좋아요 05:22.250 --> 05:27.650 기본 지식을 쌓는 것도 좋지만 구식 기능 공학도 05:27.650 --> 05:28.730 좋아요 05:28.730 --> 05:33.200 게다가 LMS로 작업을 시작하면 훨씬 더 만족스러울 겁니다 어떻게 되는지 05:33.200 --> 05:33.710 보죠 05:33.710 --> 05:37.250 들어가서 기능들을 만들어 보세요 05:37.250 --> 05:42.890 하지만 다음 시간에는 좀 더 정교한 기본 모델을 살펴볼 거예요 05:42.890 --> 05:43.820 그때 봐요