라벨 전파(Label Propagation)란? AI에서 일부 정답을 이웃 관계로 퍼뜨려 분류하는 방법
라벨 전파는 라벨이 있는 사례와 없는 사례를 유사도 그래프로 연결해 정답 정보를 퍼뜨리는 반지도 분류 방법입니다. KNN·스펙트럴 군집화·능동 학습과의 차이, LabelSpreading의 라벨 고정 방식, 그래프 설정과 평가의 주의점을 설명합니다.
최근접 중심 분류(Nearest Centroid)란? AI에서 클래스의 대표점으로 새 입력을 분류하는 방법
최근접 중심 분류는 정답 클래스마다 대표점을 구하고 새 입력을 가까운 대표점의 범주로 분류하는 방법입니다. KNN·K-means·LDA와의 차이, 평균·중앙값과 거리·중심 수축·사전확률의 뜻, 입력 척도와 독립 평가의 주의점을 설명합니다.
테일-센(Theil-Sen)이란? AI에서 여러 부분 표본의 중앙값으로 수치를 예측하는 방법
테일-센은 여러 부분 표본의 선형 계수를 중앙값 방식으로 모으는 강건 회귀입니다. 기울기 중앙값과 공간 중앙값의 차이, n_subsamples·조합 한도·반복 설정, 후버·RANSAC·SciPy와의 구분 및 검증 주의점을 설명합니다.
이차 판별 분석(QDA)이란? AI에서 클래스마다 다른 퍼짐으로 분류하는 방법
이차 판별 분석(QDA)은 클래스마다 평균과 공분산을 따로 추정해 범주를 예측하는 방법입니다. LDA·가우시안 나이브 베이즈와의 차이, 이차 경계·사전확률·규제 설정의 뜻과 표본 부족·확률 해석의 주의점을 설명합니다.
엑스트라 트리(Extra Trees)란? AI에서 무작위 경계 후보로 여러 트리를 만드는 방법
엑스트라 트리는 무작위 분할 경계 후보에서 좋은 분할을 골라 여러 트리의 예측을 결합하는 모델입니다. 랜덤 포레스트와의 차이, 전체 표본 사용·확률 평균·max_features·OOB 조건, 실전 검증과 특성 중요도의 주의점을 설명합니다.
베이지안 릿지(Bayesian Ridge)란? AI에서 계수의 분포로 예측값과 불확실성을 구하는 방법
베이지안 릿지는 선형 회귀의 계수를 확률분포로 다루고 잡음과 계수의 정밀도를 함께 추정하는 모델입니다. 사전·사후분포와 예측 표준편차의 뜻, 일반 릿지·엘라스틱넷·ARD·가우시안 프로세스와의 차이, 구간과 검증의 주의점을 설명합니다.
엘라스틱넷(Elastic Net)이란? AI에서 L1·L2 규제를 함께 써 수치를 예측하는 방법
엘라스틱넷은 선형 회귀에 L1·L2 규제를 함께 적용해 일부 계수를 줄이거나 0으로 만드는 방법입니다. alpha·l1_ratio의 역할, 라쏘·릿지·로지스틱 회귀와의 차이, 상관된 특징과 교차 검증·전처리·계수 해석의 주의점을 설명합니다.
포아송 회귀(Poisson Regression)란? AI에서 사건의 건수와 발생률을 예측하는 방법
포아송 회귀는 입력 조건에 따른 사건의 예상 건수나 단위 시간당 발생률을 예측하는 회귀 방법입니다. 로그 링크·노출량·L2 규제의 뜻, 일반 회귀·로지스틱 회귀·음이항 회귀와의 차이, 포아송 편차와 과산포 점검법을 설명합니다.
분위수 회귀(Quantile Regression)란? AI에서 평균 대신 조건별 예측 범위를 살피는 방법
분위수 회귀는 입력 조건에 따른 결과의 중앙값이나 높은·낮은 분위수를 예측하는 회귀 방법입니다. 핀볼 손실과 분위수 설정, 평균 회귀·후버 회귀·분위수 변환·컨포멀 예측과의 차이, 예측 범위와 검증 시 주의점을 설명합니다.
후버 회귀(Huber Regression)란? AI에서 이상치의 영향을 줄여 수치를 예측하는 방법
후버 회귀는 작은 예측 오차에는 제곱 손실을, 큰 오차에는 선형 손실을 적용해 이상치의 영향을 줄이는 강건 회귀입니다. HuberRegressor의 epsilon·scale_·alpha와 RANSAC·릿지 회귀·후버 손실의 차이, 데이터 점검과 검증 순서를 설명합니다.
감자나라 AI 강의보기 5,000 
