scikit-learn 가져오기

1. 선형 회귀 (Linear Regression)

• 단순 선형 회귀 (Simple Linear Regression): 하나의 독립 변수와 종속 변수 사이의 선형 관계를 모델링합니다.
• 다중 선형 회귀 (Multiple Linear Regression): 여러 독립 변수와 종속 변수 간의 선형 관계를 모델링합니다.
• 이름 그대로, 종속 변수와 독립 변수들 간의 선형 관계를 찾아내는 모델입니다.
• sklearn.linear_model.LinearRegression

2. 릿지 회귀 (Ridge Regression)

• **정규화 회귀 (Regularized Linear Regression)**로, 과적합(overfitting)을 방지하기 위해 L2 정규화(패널티 항)를 추가합니다.
• sklearn.linear_model.Ridge

3. 라쏘 회귀 (Lasso Regression)

• 정규화 회귀로, L1 정규화(패널티 항)를 사용하여 일부 특성의 계수를 0으로 만들어 변수 선택을 수행합니다.
• sklearn.linear_model.Lasso

4. 엘라스틱넷 회귀 (ElasticNet Regression)

• 릿지 회귀와 라쏘 회귀의 혼합 모델로, L1과 L2 정규화 두 가지를 모두 사용합니다.
• sklearn.linear_model.ElasticNet

5. 회귀 나무 (Decision Tree Regression)

• 비선형 회귀 모델로, 데이터를 분할하여 트리 구조를 만들어 예측을 수행합니다.
• sklearn.tree.DecisionTreeRegressor

6. 랜덤 포레스트 회귀 (Random Forest Regression)

• 여러 개의 결정 트리를 학습시킨 후, 예측 결과를 평균화하여 더 정확한 예측을 만드는 앙상블 학습 방법입니다.
• sklearn.ensemble.RandomForestRegressor

7. 서포트 벡터 회귀 (Support Vector Regression, SVR)

• 비선형 회귀 모델로, 고차원 공간으로 데이터를 변환하여 비선형 관계를 모델링합니다.
• sklearn.svm.SVR

8. K-최근접 이웃 회귀 (K-Nearest Neighbors Regression, KNN Regression)

• 비선형 회귀 모델로, 새로운 데이터 포인트를 예측할 때 가장 가까운 K개의 데이터를 기반으로 예측합니다.
• sklearn.neighbors.KNeighborsRegressor

9. 선형 판별 분석 (Linear Discriminant Analysis, LDA)

• 주로 분류 문제에 사용되지만, 회귀 문제에도 적용할 수 있는 방법으로, 클래스의 분포를 고려한 차원 축소와 분류를 동시에 수행합니다.
• sklearn.discriminant_analysis.LinearDiscriminantAnalysis

10. 다항 회귀 (Polynomial Regression)

• 선형 회귀의 확장으로, 변수들 간의 다항식을 통해 비선형 관계를 모델링합니다. 사실상 다중 선형 회귀의 확장으로 볼 수 있습니다.

---

이처럼, 회귀 모델들은 기본적으로 주어진 문제에 적합한 특성에 따라 나뉘며, 각 모델은 이름을 통해 그 모델이 어떤 종류의 회귀 문제를 해결하는지 알 수 있습니다. 따라서 회귀 모델의 이름을 알면 해당 모델의 특성과 사용할 때의 상황을 쉽게 파악할 수 있습니다