conda create -n env_name python=version
pip install ipykernel jupyter

pip install pyzmq --upgrade --force-reinstall

저는 3번 방법으로 오류를 해결했습니다.

cd 폴더경로

이동 후 아래 명령어를 입력하면, 폴더 내에 whl 파일들을 전체 설치합니다.

Get-ChildItem -Filter *.whl | ForEach-Object { pip install $_.FullName }

+에러가 났던 코드들

> pip install dir *.whl

WARNING: Requirement '*.whl' looks like a filename, but the file does not exist
ERROR: *.whl is not a valid wheel filename.

> for %x in (dir *.whl) do python -m pip install %x

위치 줄:1 문자:4
+ for %x in (dir *.whl) do python -m pip install %x
+    ~
'for' 키워드 뒤에 여는 '('가 없습니다.
    + CategoryInfo          : ParserError: (:) [], ParentContainsErrorRecordException
    + FullyQualifiedErrorId : MissingOpenParenthesisAfterKeyword

• 여러 개의 모델을 조합하여 결과를 도출하는 방법입니다.
• 단일 강력한 모델보다 여러 개의 약한 모델을 조합해 정확도를 높이는 기법입니다.
• Bagging과 Boosting으로 나뉩니다.
• 아래와 같이 VotingClassifier을 이용해서 여러 개의 모델을 조합하는 방식도 앙상블(Ensemble)입니다. (Stacking, Blending도 포함)

ensemble_model = VotingClassifier(estimators=[
    ('random_forest', random_forest),
    ('decision_tree', decision_tree),
    ('xgboost', xgboost)
], voting='soft')

Bagging : RandomForest Boosting : XGBoost

Bagging

• ① 부트스트랩(복원 추출)을 사용하여 Train Data에서 무작위로 N개 데이터 선택합니다. 이때, 데이터 추출 비율(복원 추출 비율)은 max_samples(default = None, None이면 1.0을 의미)로 조정할 수 있습니다.

• ② 병렬 처리를 통해 독립적인 여러 모델이 생성되며, 모델의 개수는 n_estimators(default = 100)로 결정합니다.

• ③ 모든 모델이 생성된 후, 하드 보팅 또는 소프트 보팅을 통해 최종값이 산출됩니다.

• 하드 보팅의 경우 model.predict()를 사용해서 클래스 결괏값을 구하고, 소프트 보팅의 경우 model.predict_proba()를 사용하여 클래스 확률값을 구합니다.

⭐ 하드 보팅(Hard Voting) : 과반수 투표를 통한 결과 도출. ⭐ 소프트 보팅(Soft Voting) : 모델의 평균을 계산하여 결과 도출.

• 위와 같은 배깅(Bagging) 기반 방식은 다수의 모델을 결합해 결괏값을 산출하는 방식으로, 과적합을 줄일 수 있습니다.

Boosting

• 순차적으로 약한 모델을 추가하여 최종 모델을 생성합니다.

• 직전 모델의 잔차와 학습률을 결합하여 다음 모델에 가중치를 부여합니다.

• 잘못 분류된 데이터에 큰 가중치, 알맞게 분류된 데이터에 작은 가중치 부여하여 다음 모델이 더 잘 학습하도록 유도합니다.

• 훈련 데이터셋 기준으로 잔차 최소화를 목표로 학습하므로 모델의 성능이 향상될 수 있지만, 과적합이 발생할 수도 있습니다.

• 과적합 방지를 위한 파라미터들이 있습니다.

  • XGBoost 기준
  • L1(Lasso), L2(Ridge) 규제를 활용하여 가중치의 과도한 증가를 방지합니다.
  • learning_rate(default = 0.3, [0, 1.0])를 조정하여 과적합을 방지할 수 있습니다.

L1(Lasso) : 가중치를 0으로 만들거나 최대한 0에 가깝게 만듭니다. L2(Ridge) : 가중치를 0으로 만들지 않고 최대한 0에 가깝게 만듭니다. ⭐ 일부 특성이 중요하다면 Lasso 그렇지 않다면 Ridge