<Linear regression with one variable>
1-1. <model representation> - 모델 표현
Training set of housing prices (Portland, OR)
Notation:
m = Nunber of taraining examples
x`s = "input" variable / features
y`s = "output" variable / "target" variable
| size in feet^2(x) | price in 1000`s (y) |
| 2104 | 460 |
| 1416 | 232 |
| 1534 | 315 |
| 852 | 178 |
위 도표를 예시로 알맞은 표현에 맞는 예시를
오른쪽 그림으로 나타냄.
1th (x, y) = (2104, 460)
....
i th (x, y) = ....
트레이닝 셋의 기본적인 표현 개념은 이 정도로 하고, 이제 우리는 머신러닝을 만들 때, 대략적인 개요를 보려고 한다.
트레이닝 셋을 기반으로 알고리즘을 학습합니다. 구체적으로 예시를 들면 집값을 예측할 때, 알고리즘은 집의 크기를 입력받아 가격을 책정하는 방식을 왼쪽의 그림으로 보여주고 있다.
그렇다면 hypothesis(가설) 설정은 어떻게 하는가?
우리가 예시로 들고 있는 함수는 Linear regression으로 간단하게 일차함수로 가격을 책정한다고 생각하면 됩니다.
고로 하나의 변수로 책정하는 방법입니다.
1-2. cost function (비용 함수)
여기까지 봤다면 하나의 궁금증이 생길 수 있을 것인데 그건 바로 세타 0과 세타 1의 값의 결정은 어떻게 하는 걸까? 이죠.
전체적인 아이디어는 함수의 결과값과 y값의 차이가 적은것을 선택하는 것입니다. 그에 따라 완성된 식이
J(세타1,세타0) 인것 입니다.
제곱을 해주는 이유는 위에서 설명했고 1/2m을 나누는 것은 평균에서 n을 나누는것과 같은 맥락이라고 생각 하시면 됩니다.
후기
아주 간단하게 머신러닝의 기초를 시작하였습니다. 이 공부는 코세라강의 앤드류의 응의 강의를 복습차 작성하였고, 이 강의는 1주차에 해당됩니다. 현재 본인은 6주차를 끝낸 상태이지만 앞서 말했듯 복습차하는 것이기 때문에 중요하지 않다고 생각되는 여러 세세한 내용을 생략할 수 있습니다.
'머신 러닝' 카테고리의 다른 글
| 머신 러닝 - 간단 정리 요약 (2) | 2021.03.15 |
|---|
