BAXXUB 𐔌՞. .՞𐦯

• 2026. 6. 3. 16:41 S/[기록] 프로젝트 기록 by 박혁구

  [기계학습] 심장병 분류 모델링 프로젝트 - 개선

• 2026. 5. 31. 21:40 S/[기록] 프로젝트 기록 by 박혁구

  [인공지능 시스템] 팀 프로젝트: AI가 쓴 글과 사람이 쓴 글 구분하기

• 2026. 5. 26. 14:09 S/[기록] 프로젝트 기록 by 박혁구

  [Modeling] LDA, QDA, tSNE

• 2026. 5. 26. 13:45 S/[기록] 프로젝트 기록 by 박혁구

  [Modeling] SVM Support Vector Machine

• 2026.06.03 S/[기록] 프로젝트 기록 댓글 by 박혁구

  [기계학습] 심장병 분류 모델링 프로젝트 - 개선

  심장병 분류 모델링 프로젝트 - 개선1. 데이터 변경 이전1-1. 개선 부분: 학습시키지 않았던 feature 3가지 추가하여 재학습https://colab.research.google.com/drive/1R1c_K2DaJqeNuX5KnehqMiFAUlNQFMKT?usp=sharing 기계학습 2차 개선.ipynbColab notebookcolab.research.google.com 1-2. 결과f1-score: 최대 0.32를 넘지 못함. 개선 이전과 달라진 점 없음.t-SNE 시각화데이터의 overlap이 심함. => 선형이든 비선형적이든 수학적으로 풀기 어려운 문제라는 것을 증명.1-3. 결론데이터를 변경.사용 데이터: https://www.kaggle.com/datasets/johnsmith88/..
• 2026.05.31 S/[기록] 프로젝트 기록 댓글 by 박혁구

  [인공지능 시스템] 팀 프로젝트: AI가 쓴 글과 사람이 쓴 글 구분하기

  1. 기존 모델 구성1-1. AI와 인간의 차이 구분 방식사람이 직접 만든 7개 정도의 언어적 특징만으로 AI 여부를 판단하는 구조. 예를 들어, 평균 문장 길이, 쉼표 비율, 접속어 비율과 같은 값. 이 방식은 직관적임.1-2. 평가방식전체 데이터에 먼저 StandardScaler를 적용한 뒤 train/test를 나눔.2. 1차 기존 모델 개선2-1. 구분 방식 개선기존 모델의 방식은 AI 글의 패턴을 충분히 넓게 잡아내기 어려움. 특히 데이터마다 문체 차이가 크면 이런 단순한 특징만으로는 일반화가 어려움.또한 StandardScaler를 적용한 뒤 train/test를 나누면 테스트 정보가 스케일링 과정에 섞일 수 있음. 그러면 실제보다 성능이 좋아 보이는 데이터 누수 문제가 생김. 교차검증도 같은..
• 2026.05.26 S/[기록] 프로젝트 기록 댓글 by 박혁구

  [Modeling] LDA, QDA, tSNE

  1. LDA# -*- coding: utf-8 -*-import numpy as npimport pandas as pdfrom sklearn.model_selection import train_test_splitfrom sklearn.metrics import accuracy_score, classification_report, confusion_matrixfrom sklearn.discriminant_analysis import LinearDiscriminantAnalysisdf = pd.read_csv('heart_disease_missing_processed.csv')X = df.drop('Heart Disease Status', axis=1)y = df['Heart Disease Status']x..
• 2026.05.26 S/[기록] 프로젝트 기록 댓글 by 박혁구

  [Modeling] SVM Support Vector Machine

  1. 기본 구현# -*- coding: utf-8 -*-import numpy as npimport pandas as pdfrom sklearn.model_selection import train_test_splitfrom sklearn.svm import SVCfrom sklearn.metrics import accuracy_score, classification_report, confusion_matrixdf = pd.read_csv('heart_disease_missing_processed.csv')X = df.drop('Heart Disease Status', axis=1)y = df['Heart Disease Status']x_train, x_test, y_train, y_test, = trai..