컴공돌이의 코딩 블로그

Mean Error (ME) 설명 Mean Error (ME)는 Mean of Error, Average Error 등 다양한 용어로 불릴 수 있으며, 회귀 모델 (Regression Model)이 잘 학습되었는지를 확인할 때 사용할 수 있는 평가지표 입니다. ME는 실제 정답 값과 예측 값의 차이를 단순하게 산술 평균한 값 입니다. ME의 수식은 아래와 같습니다. 수식에서 $Y_{i}$은 실제 정답 값을 의미하고, $\widehat{Y}_{i}$은 예측 값을 의미합니다. ME의 장단점 - ME의 장점 1. 가장 간단하게 계산이 가능한 평가지표 2. 양의 오차와 음의 오차가 상쇄되기 때문에 예측 모델이 실제 정답 값보다 높게 예측하였는지, 낮게 예측하였는지를 파악하는데 사용될 수 있음 - ME의 단점 1..

Root Mean Square Error (RMSE) 설명 Root Mean Square Error (RMSE)는 회귀 모델 (Regression Model)이 잘 학습되었는지를 확인할 때 많이 사용되는 평가지표입니다. RMSE는 실제 정답 값과 예측 값의 차이를 제곱한 후 평균을 구하여 도출 가능한 평균 제곱 오차(Mean Squared Error, MSE)에 제곱근을 씌어 구할 수 있으며, 값이 작을수록 모델의 성능이 좋다는 것을 의미합니다. MSE와 전반적인 특징은 유사하지만 제곱근이 씌어져있기 때문에 실제 정답값과 같은 단위를 갖는 평가지표입니다. ※ MSE에 대한 설명은 아래 링크에서 확인할 수 있습니다. 2022.05.14 - [정리] - [평가 지표] Mean Squared Error (MS..

※ 이 글은 "UC Berkeley CS188 Intro to AI"의 "Project 2: Multi-Agent Search"을 해결하는 과정을 정리한 글입니다. ※ UC Berkeley CS188 Intro to AI 페이지 링크 : http://ai.berkeley.edu/multiagent.html Introduction 이번 프로젝트에서 유령이 포함된 Classic 한 버전의 팩맨 게임에서의 Agent를 설계해야 합니다. 그 과정에서 minimax 탐색 알고리즘과 expectimax 탐색 알고리즘을 모두 구현하게 될 것이고 평가 함수를 새롭게 만들어 볼 것입니다. 코드의 기본적인 구성은 이전 프로젝트와 크게 다르지는 않지만 프로젝트 1에서 받은 파일에 작업을 하는 것보다는 새롭게 파일들을 다운로..

※ 이 글은 "UC Berkeley CS188 Intro to AI"의 "Project 1: Search"를 해결하는 과정을 정리한 글입니다. 코드 구현 및 설명 코드 실행 영상 결과 - python autograder.py

※ 이 글은 "UC Berkeley CS188 Intro to AI"의 "Project 1: Search"를 해결하는 과정을 정리한 글입니다. Suboptimal Search A* 탐색 알고리즘과 좋은 휴리스틱 함수를 사용했음에도 불구하고 때때로 모든 점을 지날 수 있는 최적의 경로를 찾는 것이 어려울 때가 있습니다. 이러한 경우에도 합리적인 좋은 경로를 빠르게 찾아야 합니다. 이번 과제에서는 팩맨이 항상 가장 가까운 점을 탐욕스럽게 먹게끔 코드를 구현해야 합니다. searchAgents.py 파일 안에 ClosestDotSearchAgent는 구현되어 있지만 가장 가까운 점으로 가는 길을 찾는 중요한 함수가 빠져있습니다. searchAgents.py 파일안에 있는 findPathToClosestDot ..

※ 이 글은 "UC Berkeley CS188 Intro to AI"의 "Project 1: Search"를 해결하는 과정을 정리한 글입니다. 코드 구현 및 설명 코드 실행 영상 결과 - python autograder.py

※ 이 글은 "UC Berkeley CS188 Intro to AI"의 "Project 1: Search"를 해결하는 과정을 정리한 글입니다. Eating All The Dots 이번에는 가능한 가장 적게 움직이면서 팩맨이 모든 음식을 먹을 수 있도록 만드는 어려운 난이도의 탐색 문제를 풀어야 합니다. 이를 위해서는 searchAgents.py 파일 안에 있는 FoodSearchProblem과 같이 음식을 먹을 수 있도록 하는 새로운 탐색 문제의 정의가 필요합니다. 가장 간단한 해결 방법은 모든 음식을 먹는 길을 정의하는 것입니다. 이번 과제에서는 유령이나 파워 알약 등을 고려하지 않고 오직 벽, 음식 그리고 팩맨의 위치 정보만 고려합니다. 만약 이전에 해결했었던 탐색 문제에서의 탐색 알고리즘을 정확하게..

※ 이 글은 "UC Berkeley CS188 Intro to AI"의 "Project 1: Search"를 해결하는 과정을 정리한 글입니다. 코드 구현 및 설명 코드 실행 영상 결과 - python autograder.py

※ 이 글은 "UC Berkeley CS188 Intro to AI"의 "Project 1: Search"를 해결하는 과정을 정리한 글입니다. Corners Problem: Heuristic 이번 문제는 A* 탐색에서 구현한 코드가 필요하기 때문에, 이번 문제를 풀기 전에 A* 탐색 문제를 먼저 수행하여야 합니다. cornerHerustic의 CornersProblem을 위해 단순하지 않으면서 일관적인 휴리스틱을 구현하십시오. - python pacman.py -l mediumCorners -p AStarCornersAgent -z 0.5 위의 AStarCornersAgent는 아래의 명령어의 단축 명령어이다. - python pacman.py -l mediumCorners -p SearchAgent -..

※ 이 글은 "UC Berkeley CS188 Intro to AI"의 "Project 1: Search"를 해결하는 과정을 정리한 글입니다. 코드 구현 및 설명 코드 실행 영상 결과 - python autograder.py