-
[Knime]프로젝트_4 로지스틱 회귀 모델 생성데이터 분석/빅데이터 프로젝트 2022. 5. 3. 23:25
로지스틱 회귀
지난번 의사결정나무를 이용하여 모델을 학습시켜보았고, 이번에는 로지스틱 회귀 모델을 학습시켜보았다.
다중공선성 제거
로지스틱 회귀 분석의 조건 중 하나인 독립 변수은 모두 독립적인 데이터여야 한다는 점을 충족시키기 위해 다중공선성을 제거해야 한다.
Knime 로지스틱 회귀 모델 학습 노드는 Regularization 옵션 조작을 통해서 정규화를 적용하여 다중공선성을 제거할 수 있고, 다른 방법으로는 VIF 노드를 이용하여 제거하는 방법이 있다.
나의 경우 VIF 노드를 이용해 다중공선성을 제거하였고, 이 과정에서 제거된 변수는 eeg_p3, eeg_p4, r이었다.
로지스틱 회귀 모델 학습 및 평가
위의 노드를 활용하여 모델을 학습하고 평가하였다.
로지스틱 회귀 모델의 결과는 의사결정나무 모델과 비교했을 때 매우 낮았다. 의사결정나무 모델의 성능에 비해 너무 낮은 것이 비정상적이라는 피드백을 받아 모델 학습 과정에서 실수가 없었는지 확인 과정이 필요하다.
'데이터 분석 > 빅데이터 프로젝트' 카테고리의 다른 글
[Knime]프로젝트_3 의사결정나무 모델 생성 (0) 2022.05.02 [Knime]프로젝트_2 EDA (0) 2022.04.29 [Knime] 프로젝트_1 데이터 개요 (0) 2022.04.28 [이론][머신러닝] 기계학습을 위한 거리 (0) 2022.04.18 [이론]Study on Decision Tree (0) 2022.04.14