컴공돌이의 코딩 블로그

※ 이 글은 "UC Berkeley CS188 Intro to AI"의 "Project 2: Multi-Agent 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 2: Multi-Agent Search"을 해결하는 과정을 정리한 글입니다. Minimax 이제 multiAgents.py 파일 안에서 제공되는 MinimaxAgent 클래스에 적대적 탐색 방법을 작성할 차례입니다. Minimax가 적용된 Pacman은 유령의 수가 몇 개이더라도 적상적으로 작동되어야 하므로, 알고리즘들을 보다 일반화가 되게끔 구현해야 합니다. 특히, Minimax 트리에서 각각의 max layer마다 여러 개의 min layer를 갖게 되는데, 유령의 수가 드러나면 min layer 수도 늘어납니다. 구현이 완료된 코드는 게임에서 트리의 깊이를 임의로 확장시킬 수 있어야 합니다. scoreEvalua..

Symmetric Mean Absolute Percentage Error (SMAPE) 설명 Symmetric Mean Absolute Percentage Error (SMAPE)는 회귀 모델 (Regression Model)이 잘 학습되었는지를 확인할 때 사용하는 평가지표입니다. SMAPE는 Mean Absolute Percentage Error (MAPE)가 가진 한계점을 보완하기 위하여 고안된 평가지표이며, MAPE는 오차를 실제값으로 나누는 반면 SMAPE는 실제 값과 예측값의 평균으로 나누어 구합니다. SMAPE도 확률 값을 도출하지만 MAPE와는 다르게 최대 200%까지 값이 도출될 수 있습니다. 따라서, 일반적인 SMAPE 수식에 2를 나누어준 후 사용하기도 합니다. SMAPE는 MAPE와 ..

Pandas 라이브러리를 사용한 데이터 분석¶ 먼저 Pandas 라이브러리를 import해줍니다. In [2]: import pandas as pd Pandas 라이브러리에 내장되어있는 read_csv() 함수를 사용하여 훈련용 데이터를 읽어줍니다. In [3]: train_data = pd.read_csv("./data/train.csv", engine="python") 데이터를 정상적으로 읽었는지를 확인해주기 위해서 데이터의 일부를 출력해보겠습니다. 데이터의 일부를 선택하는 방법은 크게 3가지가 있습니다. head() 함수를 사용하여 불러온 데이터의 앞부분을 선택해주는 방법 tail() 함수를 사용하여 불러온 데이터의 뒷부분을 선택해주는 방법 sample() 함수를 사용하여 불러온 데이터에서 랜덤하게..

※ 이 글은 "UC Berkeley CS188 Intro to AI"의 "Project 2: Multi-Agent 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 2: Multi-Agent Search"을 해결하는 과정을 정리한 글입니다. Reflex Agent 게임을 훌륭하게 통과하기 위해서는 multiagents.py 파일 안에 있는 ReflexAgent를 향상시켜야 할 것입니다. 기본적으로 제공되는 ReflexAgent 코드 안에는 문제 해결에 도움 되는 몇 개의 함수를 제공하고 있으며, 이 함수들은 현재 게임 상태에 대한 정보를 사용하여 동작됩니다. ReflexAgent가 잘 작동되기 위해서는 음식의 위치와 유령의 위치를 모두 고려해야 합니다. 이것이 가능하다면, Pacman은 쉽고 확실하게 testClassic 게임을 완수할 수 있을 것입니다. - python pacm..

Mean Percentage Error (MPE) 설명 Mean Percentage Error (MPE)는 회귀 모델 (Regression Model)이 잘 학습되었는지를 확인할 때 사용하는 평가지표입니다. MPE는 Mean Absolute Percentage Error (MAPE)에서 절대값을 제외한 지표이며, MAPE와 다르게 오차에 절대값을 씌어주지 않을 상태로 계산되기 때문에 음수값도 나올 수 있다는 점이 가장 큰 차이점이라고 할 수 있습니다. MAPE는 값이 0에 가까워질수록 모델이 잘 학습되었다는 것을 의미하지만 MPE는 0에 가까워졌다고 하더라도 모델이 잘 학습되었다고 말할 수 없습니다. ※ MAPE에 대한 설명은 아래 링크에서 확인할 수 있습니다. 2022.05.12 - [정리/평가지표] ..

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..