상품 키워드(트레이닝세트)는 직접 키워드를 입력하거나 네이버 쇼핑 도서 정보, 네이버 데이터랩(naver datalab), 아이템 스카우트(item scoute) 등의 데이터 조합으로 선정하고 있으며, 인기/추천 상품 리스트 TOP10을 추천해 드리고 있습니다. 상품은 www.aliexpress.com 를 통해 검색된 결과를 기반으로 링크를 생성하고 있습니다. (트레이닝세트) 제품을 알뜰하게 사고싶지만 어떤 제품을 사야하는지 결정하는것이 어렵습니다. 다양한 제품중에서 눈길이 가는 제품의 제품 평가를 확인하시면 구매 결정할때 나한테 맞는 제품을 찾을수 있습니다.
현재 만족도 높은 제품 상위 10개 제품, 별점 높은 상품 정보, 할인율 큰 상품 정보, 인기 제품 추천, 재구매 높은 상품, 평점이 높은 제품 등으로 구분된 정보는 추후 데이터를 더 활용하여 제공해 드릴예정 입니다. 다양한 리뷰와 많은 평가에 대해서도 상품가격비교 및 구매평보기를 통해 정보를 제공해 드릴 예정 입니다.
**트레이닝세트의 장점**
* **모델의 성능을 향상시킵니다.** 트레이닝세트가 많을수록 모델은 더 정확한 예측을 할 수 있습니다.
* **모델의 일반화 성능을 향상시킵니다.** 트레이닝세트가 실제 데이터와 유사할수록 모델은 실제 데이터에 대해 더 정확한 예측을 할 수 있습니다.
* **모델의 해석 가능성을 향상시킵니다.** 트레이닝세트가 충분히 크면 모델이 학습한 패턴을 이해하는 데 도움이 될 수 있습니다.
**트레이닝세트의 단점**
* **데이터 수집 및 전처리가 복잡할 수 있습니다.** 트레이닝세트를 수집하려면 많은 양의 데이터가 필요할 수 있으며, 데이터를 수집하고 전처리하는 데 상당한 시간이 소요될 수 있습니다.
* **데이터가 편향될 수 있습니다.** 트레이닝세트가 특정 집단에 편향되어 있으면 모델이 해당 집단에 대한 예측을 잘못 할 수 있습니다.
**트레이닝세트의 종류**
트레이닝세트는 크게 **분류**와 **회귀**로 구분할 수 있습니다. 분류는 데이터 포인트를 서로 다른 클래스로 분류하는 작업입니다. 회귀는 데이터 포인트를 연속적인 값으로 예측하는 작업입니다.
분류 트레이닝세트는 각 데이터 포인트에 대한 레이블이 클래스 이름으로 지정됩니다. 예를 들어, 꽃의 종류를 분류하는 트레이닝세트는 각 데이터 포인트에 대한 레이블이 꽃의 이름으로 지정됩니다.
회귀 트레이닝세트는 각 데이터 포인트에 대한 레이블이 연속적인 값으로 지정됩니다. 예를 들어, 주택 가격을 예측하는 트레이닝세트는 각 데이터 포인트에 대한 레이블이 주택 가격으로 지정됩니다.
**트레이닝세트의 활용**
트레이닝세트는 다양한 머신러닝 모델을 학습시키는 데 사용됩니다. 대표적인 머신러닝 모델로는 다음과 같은 것들이 있습니다.
* **분류 모델:** 의사결정 트리, 로지스틱 회귀, SVM
* **회귀 모델:** 선형 회귀, 랜덤 포레스트, 딥러닝
트레이닝세트는 머신러닝 모델의 성능을 향상시키는 데 중요한 역할을 합니다. 트레이닝세트를 잘 선택하고 활용한다면 보다 정확하고 일반화된 모델을 개발할 수 있습니다.