분류 전체보기154 머신 러닝 선형 회귀 (Linear Regression) #2 - 가설 함수, 평균 제곱 오차, 손실 함수 최적선을 찾기 위해 다양한 함수를 실험해 봐야 하는데. 이 시도하는 함수 하나하나를 '가설 함수' 가설 함수 표현법 = - 선형 회귀 : 가장 적절한 θ 값들을 찾아내는 것 평균 제곱 오차 오차의 값을 제곱한 후 평균을 구하면 그 값이 평균 제곱 오차(MSE) 이다. - 제곱을 하는 이유 1. 모두 양수로 만들기 위해서 2. 오차의 값을 더욱 부각시키기 위해서 평균 제곱 오차 평균을 구하는 공식 시그마 : 오른쪽 식에 i = 1 부터 i = m 까지 하나씩 대입 제곱 오차를 모두 더한 후 m으로 나눈 값 평균 제곱 오차가 크면 : 가설 함수가 데이터에 잘 안 맞다. 평균 제곱 오차가 작다면 : 가설 함수가 데이터에 잘 맞다. 손실 함수(Loss Function) - 가설 함수의 성능을 평가하는 함수 - .. 2021. 2. 1. 머신 러닝 선형 회귀 (Linear Regression) #1 - 개념, 용어, 표현법 선형 회귀(Linear Regression) 해당 데이터를 가장 잘 대변해주는 선을 찾아내는 것이다. 집 가격 예측 프로그램 집 크기(평) 집 값(억) 15 3 40 15 20 4 ... ... 데이터를 학습시켜 - > 집 크기를 보고 집 가격을 예측할 수 있도록 하는 선형 회귀 용어 - 목표 변수(target variable / output variable) : 맞추려고 하는 값 - 입력 변수(input variable / feature) : 맞추는데 사용하는 값 집 크기(입력 변수) - > 집 값(목표 변수) 데이터 표현법 m 집 크기(평) 집 값(억) 1 15 3 2 40 15 3 20 4 4 60 20 x(1) = 15, x(4) = 60 , y(4) = 20 이런식으로 표현이 된다. 2021. 2. 1. 머신 러닝 기본#12 - 최소점/극소점, 극대점, 안장점 2x - 2에서 x가 0이면 -2의 값이 나오는데 기울기가 (-) 라는 것은 (음수)라는 것은 x가 커질수록 y가 작아진다는 의미이다. 기울기가 0에 가깝다는 것은 평평하다는 의미이다. 기울기가 0에 멀어질 수록 기울기가 가파르다는 것이다. 기울기는 그래프가 해당 지점에서 얼마나 기울어져 있는지도 알려주지만 어떤 방향으로 가야 가장 가파르게 올라갈 수 있는지도 알려준다!! __ 머신 러님에서의 핵심!! 순간변화율을 통해서 확인해본 것을 정리하면 순간 변화율이 양수라는 것은 해당 지점에서 x가 늘어나면 y도 늘어난다. 순간 변화율이 음수라는 것은 해당 지점에서 x가 늘어나면 y는 줄어든다. 순간 변화율을 0이라는 것은 해당 지점에서 x가 변해도 y는 그대로다! 이 경우는 크게 3가지의 경우가 있다. 1. .. 2021. 2. 1. 머신 러닝 기본#11 - 평균 변화율, 순간 변화율, 미분 1차식 기울기 : x가 변화할 때, y는 얼마나 빠르게 변하는지 2차식 곡선의 기울기는 위치마다 바뀌는데 특정 지점의 기울기를 구하기 위해서 그 점에 맞닿아있는 선을 그린다. 그리고 그 선의 기울기가 그 점의 기울기라고 생각하면 된다. 평균 변화율 a와 b사이에 평균 변화율을 알고 싶다면 해당 공식을 사용하면 된다. tip. a와 b의 사이가 h라고 한다면 f(a + h) - f(a) / h 해당 공식을 사용해도 된다. - 어떤 구간의 변화율을 보고 싶다면 평균변화율을 사용하면 된다. 이번에는 순간 변화율을 확인해보겠다. 이런 식으로 x는 2일 때 평균변화율을 구할 수 있다. h의 값이 0에 가까워질수록 x가 2일 때의 순간변화율의 값에 가까워지는데 h가 0에 가깝게 만들게 하는 것이 limit 이다. .. 2021. 1. 24. 이전 1 ··· 19 20 21 22 23 24 25 ··· 39 다음 728x90 반응형
