넘스탯
DATA ANALYTICS & INSIGHTS
확률에서 LLM까지 – 데이터 사이언스 전문 교육 플랫폼
도움말
홈
선형 회귀 실습
연속값 예측의 기본최소제곱법(OLS)으로 직선/평면을 적합. 잔차·R²·다중공선성·정규화(Ridge/Lasso)까지 회귀 분석의 기초.
Linear Regression
OLS
R²
Ridge
Lasso
📚 Gauss (1809), ESL Ch.3★★☆☆☆
로지스틱 회귀 실습
이진 분류의 표준Sigmoid + Cross-Entropy + 경사하강법. 분류 경계 시각화, 학습률·정규화·확률 임계값까지 인터랙티브로.
Logistic Regression
Sigmoid
Cross-Entropy
📚 Berkson (1944), ESL Ch.4★★★☆☆
모델 평가 실습
Confusion Matrix·ROC·PR Curve혼동 행렬·Precision·Recall·F1·ROC·AUC·교차 검증·과적합 방지의 핵심을 인터랙티브로 학습.
Confusion Matrix
ROC
AUC
F1
Cross-Validation
📚 Fawcett (2006), Kohavi (1995)★★★☆☆
🧭 어떤 알고리즘을 선택해야 할까?
📈 연속값 예측 → 회귀
집값·매출·온도·점수 등 실수를 예측. 선형 회귀로 시작 → 비선형 패턴이면 다항·트리·신경망.
Linear Regression
Ridge/Lasso
🎯 이진 분류 → 로지스틱 회귀
스팸/정상, 양성/음성 등 두 범주 예측. 해석 가능성·확률 출력이 강점. SVM·트리 앙상블로 확장.
Logistic Regression
SVM
📊 다중 분류 → Softmax 회귀
3개 이상의 범주(MNIST 숫자, 이미지 분류). Softmax + Categorical Cross-Entropy 표준 조합.
Softmax
Random Forest
✅ 마지막 — 평가 필수
어떤 알고리즘을 쓰든 모델 평가로 검증해야 신뢰할 수 있습니다. 모델 평가 실습실 필수 학습.
Confusion Matrix
ROC
K-Fold
📖 지도학습 종합 학술 자료
- Hastie, Tibshirani, Friedman — Elements of Statistical Learning (Springer 2009) — Ch.3, 4, 7: 회귀·분류·모델 평가
- Bishop — Pattern Recognition and Machine Learning (Springer 2006) — Ch.3, 4: 회귀와 분류 종합
- Géron — Hands-On Machine Learning (O'Reilly 2019): 실무 중심 지도학습 안내
- scikit-learn 문서:
sklearn.linear_model,sklearn.ensemble,sklearn.metrics