Feature 데이터와 label이 주어지고 feature 데이터를 통해 label을 예측하게 하는 모델.
기존 데이터에 label이 되어 있어야 학습이 가능하다.
Feature데이터만 이용하여 데이터 상에서 유의미한 결과를 도출해 내는 방법
기존 데이터에 label이 없어도 되며, 주요 알고리즘은 clustering 기법이 있다.
예측 모델에 고정된 개수의 파라메터(가중치) 가 존재하여 이 모델로 확률을 예측하는 방법.
예측 모델에 파라메터가 있다는 뜻은 population set에 대한 지식이 이미 있어서 population set의 분포를 예측하고 있음을 뜻한다.
Parametic method와 반대로 예측 모델에 파라메터(가중치)가 존재하지 않으며, population set의 분포를 예측할 필요가 없다. 따라서 분포에 영향을 받지 않는다.
데이터를 n개의 subset으로 나누고 선택된 subset을 validation dataset으로 정의하고 나머지를 트레이닝 데이터 셋으로 사용하여 학습을 시키고 validation score를 확인하는 방법. subset 데이터 개수만큼 반복해서 실험을 해볼 수 있으며, 데이터 셋이 작을 때 많이 쓰는 방법
클래스의 라벨 데이터의 비율이 불균형한 데이터이다. 예를 들어 A데이터는 100개 있고, B데이터는 5000 개 있다면, 각 데이터의 비율은 1:50이 되고 불균형 데이터가 된다.