Linear Regression
data set을 만든다 : 하나의 가설을 세운다.
어떠한 Linear한 모델이 가져온 데이터에 맞을거다라고 예측하고 하는것 = Linear Regression
ex1) 공부를 많이 할수록 성적이 높아진다.
ex2) 운동을 많이 할수록 운동 수행능력이 높아진다.
어떠한 데이터가 있다면 Linear한 선을 찾는다. 가장 적합한 선을 찾는 것이 학습하는 것이다.
H(x): Hypothesis
W값이 가장 좋을 것을 찾아내야 한다.
Cost function
가설과 실제 데이터가 얼마나 다른지를 나타낸다.
distance 계산법
세운 가설값과 실제 데이터의 값의 차이를 계산한다.
하지만 음수의 값이 나올 수 있으므로 제곱해서 distance를 구한다.
=
데이터의 갯수가 많아질 경우
m = 학습데이터의 개수
각각의 (hypothesis(예측값) - 실 데이터값)의 차이의 제곱의 데이터의 갯수만큼 나누면서 표준화를 진행한다.
Cost Function
-cost는 W와 b에 대한 function이 된다.
Goal: Minimize cost
값을 작게 할수록 실 데이터값과 가까워지므로 좋다.
참조: kim sung machine/Deep Learning
https://www.youtube.com/watch?v=Hax03rCn3UI
'딥러닝(Machine Deep learning)' 카테고리의 다른 글
What is different between concat & element sum (0) | 2020.02.12 |
---|---|
CNN기반의 object detection 동향 (0) | 2019.12.19 |
VOS(Video Object Segmentation) (0) | 2019.12.19 |
딥러닝 개발을 위한 윈도우 텐서플로우 설치방법 (0) | 2019.03.07 |
딥러닝(Deep Learning) 1회차 공부 (0) | 2019.03.06 |
댓글