핸즈온 머신러닝(2판): 사이킷런, 케라스, 텐서플로 2를 활용한 머신러닝, 딥러닝 완벽 실무

214

1

부

머신러닝

gamma

(

γ

)와

C

를 바꾸어서 훈련시킨 모델입니다.

gamma

를 증가시키면 종 모양 그래프가 좁아

져서 ([그림

5

-

8

]의 왼쪽 그래프를 참고하세요 ) 각 샘플의 영향 범위가 작아집니다. 결정 경계

가 조금 더 불규칙해지고 각 샘플을 따라 구불구불하게 휘어집니다. 반대로 작은

gamma

값은 넓

은 종 모양 그래프를 만들며 샘플이 넓은 범위에 걸쳐 영향을 주므로 결정 경계가 더 부드러워집

니다. 결국 하이퍼파라미터

γ

가 규제의 역할을 합니다. 모델이 과대적합일 경우엔 감소시켜야

하고 과소적합일 경우엔 증가시켜야 합니다 (하이퍼파라미터

C

와 비슷합니다

10

).

그림

5-9

RBF

커널을 사용한

SVM

분류기

다른 커널도 있지만 거의 사용되지 않습니다. 어떤 커널은 특정 데이터 구조에 특화되어 있습

니다.

문자열 커널

string

kernel

이 가끔 텍스트 문서나

DNA

서열을 분류할 때 사용됩니다 (예를

들면

문자열 서브시퀀스 커널

string

subsequence

kernel

이나

레벤슈타인 거리

Levenshtein

distance

기반의 커

널).

11

10

옮긴이_ 따라서 모델의 복잡도를 조절하려면

gamma

와

C

하이퍼파라미터를 함께 조정하는 것이 좋습니다.

11

옮긴이_ 문자열 커널은 두 문자열의 유사도를 비교하는 함수로 생각할 수 있습니다. ...