머신 러닝 로지스틱 회귀3 머신 러닝 로지스틱 회귀(Logistic Regrssion)#3 - 로지스틱 회귀 구현하기, 와인 종류 예측하기 구현 from sklearn.datasets import load_iris import pandas iris_data = load_iris() print(iris_data.DESCR) - sepal length in cm - sepal width in cm - petal length in cm - petal width in cm - class: - Iris-Setosa - Iris-Versicolour - Iris-Virginica 데이터가 넓이, 높이 등등 있고 목표 변수가 꽃의 종류이다! 그리고 150개 중 Setosa 50개 Versicolour 50개 50개 있다. X = pd.DataFrame(iris_data.data, columns=iris_data.feature_names) X sepal len.. 2021. 2. 9. 머신 러닝 로지스틱 회귀(Logistic Regrssion)#2 - 손실 함수, 로그 손실 선형 회귀에서 손실 함수는 평균제곱오차를 이용해서 했다! 로지스틱 회귀에서는 로그 손실을 사용한다! -> 손실의 정도를 로그 함수로 결정하기 때문에 로그 손실 이라고 한다. y가 1일 때 1과 멀어질수록 손실이 많아지는!! -> 로지스틱 회귀에서의 로그 손실에서는 보통 한 줄로 표현하는데 위에 식과 동일하다! i~m까지 대입하고 더한 후 m으로 나누어 평균을 구한다! (모든 데이터의 로그 손실을 계산한 후 평균을 낸다. -> 분류의 기준이 0,1이 아니라 0,1,2 3가지 이상일 경우에는!! 2021. 2. 9. 머신 러닝 로지스틱 회귀(Logistic Regrssion)#1 - 로지스틱 회귀란? 머신러닝 지도학습(회귀, 분류) | 비지도 학습 회귀(연속적인 값 예측), 분류(정해진 몇 개의 값 중 예측) -> 로지스틱 회귀는 분류! ex) 해당 메일이 정상 메일인지, 스팸 메일인지 ex) 기사가 스포츠기사인지 정치기사인지 연예기사인지 -> 선형회귀로도 분류 학습을 할 수 있지만, 선형 회귀의 경우 예외적인 데이터에 민감하게 반응하기에 잘 사용하지는 않는다. -> 데이터에 가장 잘 맞는 1차 함수를 찾는다. = 선형 회귀 -> 데이터에 가장 잘 맞는 시그모이드 함수를 찾는다. = 로지스틱 회귀 무조건 0과 1사이 값을 리턴한다. X가 엄청나게 크면 1에 가까워지고 X가 엄청나게 작으면 0에 가까워진다. 따라서 시그모이드 함수는 무조건 0과 1사이 값을 리턴한다. -> 선형 회귀(1차 함수)의 경우.. 2021. 2. 8. 이전 1 다음 728x90 반응형
