Linear Regression 의 개념

2. Linear Regession의 개념

 

<중간 정리>

- supervised learning : training data set 이용, 학습

 1) regression : 예측하려는 최종 목표가0~100 등인 범위 내에서 예측하는 것

 2) binary classification

 3) multi-label classification

 

 - Linear Regression

 : 어떤 데이터 셋의 결과가 linear 한 선의 형태를 띄는 것

 

 - Linear Hypothesis

Linear Hypothesis

 : 어떠한 데이터에 잘 맞는 linear 한 선을 찾는 것 

: H(x)가설, W 와b 의 값에 따라 선의 모양이 달라질 것

: 가장 적합한 W 와 b 의 값을 찾아내는 것이 목표

ex> 파란선: H(x) = 1 * x + 0

 

 

- 어떠한 모델(선, 가설)이 실제 데이터와 거리가 가까울 수록 좋음

 

 

그 거리를 측정하는 것이

 -> Cost function (Loss function)

 

가장 기본적인 방식은 차를 구하는 것

H(x) - y 

: 좋은 방법은 아님 -> 음수, 양수 둘다 나올 수 있기 때문에

 

따라서 

(H(x) -y )^2 

: 제곱을 해서 사용 

-> 일정하게 양수로만 표현됨

-> 차이가 작을 때보다 클 때 패널티를 더 많이 줄 수 있음

: 이것을 cost function 이라고 함

 

좀 더 formal 하게 정리,

cost

H(x) = Wx + b

 

H(x) = Wx+b 에 대한 가설의 cost function

 

: 여기서 cost 의 최소값을 가지게 하는 W 와 b 를 구하는 것이 Linear regression 의 학습이자 목표

 

 

 

출처 : 모두의 딥러닝 https://hunkim.github.io/ml/