MachineLearning - 03. Linear Regression

모두를 위한 머신러닝/딥러닝 강의 기반으로 공부한 내용입니다.

---

1. Linear Regression(선형 회귀)

• 연속적인 트레이닝 데이터에 기초해 정답을 추론하는 알고리즘
• 주어진 데이터를 대표하는 하나의 직선을 찾는 방식(직선:회귀선, 함수: 회귀식)

---

2. 학습 과정

예) 간단하게 표현한 Linear Regression

1. Hypothesis

• 주어진 데이터에 맞는 선을 찾는 것이 학습이다

• 주어진 데이터를 기준으로 Hypothesis(가설)을 세워야 한다.

  

• 파란선을 기준으로 찾은 노란선과 빨간선이 Hypothesis이다
• 수식적으로는 H(x) = Wx +b Hypothesis(가설) 정의
• 이젠 가장 잘 맞는 선 찾는 과정이 필요 -> Cost Function

2. Cost Function(Lost Function)

• 실제 데이터와 Hypothesis(모델)과의 거리를 비교하는 함수(거리측정)
• 거리가 멀수록 학습이 잘못된 것이고, 거리가 가까울 수록 학습이 잘된 것이다.
• (H(x)-y)²¹ : 하나의 데이터에 대한 Cost값

• 평균 Cost 값을 구한다(m: 실제 데이터 갯수)

  

• 최종적으로 수식으로 표현했을 경우 위와 같이 표현된다.
• 가장 Cost를 찾는 것이 Lnear Regression의 학습 목표

마지막으로 수정된 시간은 2020-01-21이다.

1. (H(x)(가설) - y(모델))로도 쓸수 있지만 음수가 나올수 있기 때문에 제곱으로 표현 ↩