MachineLearning - 10. Logistic Classification의 가설함수

모두를 위한 머신러닝/딥러닝 강의 기반으로 공부한 내용입니다.

---

1. Logistic Classification

1. Logistic Classification 이란?

• Classification의 사전적 의미 : 분류
• Linear Regression을 활용해 데이터를 분류 하는 모델
• 분류에서 가장 단순한 모델로 2가지 중 하나를 찾음(Binary)

2. 쓰이는 예제

• 사용되는 곳 모두 기존 패턴 데이터를 기반으로 분류
• 프로그래밍에서 봤을때 0,1로 구분
  • Spam 메일 구분(Spam VS Ham)
  • 페이스북 Feed(Show VS Hide)
  • 신용카드 사기 사용 확인(평소 쓰는 패턴 VS 평소 안쓰는 패턴)
  • 영상의학 분야(정상적인 몸 VS 이상이 있는 몸)
  • 주식시장(오를까 VS 내릴까)

3. 기존 Linear Regression 사용시 문제점

1. 기울기 문제

• Linear Regression는 초과되는 새로운 데이터 발생시 기울기 변화가 생김
• 즉 학습된 모델(기울기)로 예측이 실패 하기 때문에 다시 학습해야 되는 상황 발생

1. Binary 문제
   • 분류의 경우 0 or 1 일 경우만 필요함
   • Linear Regression일 경우 1이상의 예측값이 나올 수 있음
2. 해결책
   • 초과되는 값이 나오더라도 모델 수정이 필요 없는 방법
   • 예측값이 0~1사이 에서만 나오는 방법

4. 해결책 - Sigmoid

• Sigmod함수는 X축 값이 어떤 값이든 Y값은 0~1사이에서만 나온다
• g(z)로 표현

• g(z)에 기존 LinearRegression 값 H(X)= Wx+b를 Z에 대입시 최종 공식

마지막으로 수정된 시간은 2020-02-26이다.