Lec02 - Linear Regression의 Hypothesis와 cost 설명
supervised learning을 한다 = 이러한 형태의 데이터를 가지고 학습하는 것.
저 모델은 training data로 학습이란걸 하게 되면 모델하나(regression)을 가지게 됨.
인공지능한데 x 값을 주고 y가 뭘까? 물어보면 학습한걸 토데로 에측해준다.
Regression (data/presentation)
어떻게 동작하고 구현할수 있을까?
(Linear) Hypothesis
하나의 가설을 세울 필요가 있다. linear 라고 이름을 붙이듯이 linear한게 맞을꺼다 하면 linear 붙임. 효과적임 많은 것들이.
어떤 선이 데이터에 맞을까 이 선을 찾는 것이 학습을 하는 것이다.
H(x) = Wx + b 일차방적식일 것이다 ~ 라고 가설세우는 것이 ---첫번째 단계
w와 b에 따라 선의 모양이 달라질 것이다.
Which hypothesis is better?
어떤 것이 좋은가? 할때 실제 데이터와 가설이 나타내는 데이터와 거리를 비교해서 그것을 계산함.
이것을 linear regression 에서는 Cost function (= Loss function) 이라 부름
H(x) - y <- 많이 좋지않음 왜냐하면 오차가 + or - 될 수 있어서.
보통
(H(x)-y)²제곱이 있어서 차이가 클때 값이 커지니깐, 패널티를 많이 주게 됨. 차이를 작게 만들수 있는 중요한 값을 나타내게 됨.
📦 linear regression 에서는 Cost function (= Loss function) = (H(x)-y)² =
cost function 이라... 거리를 측정하는 것.... Loss function이라고도 함.
차를 계산하는 것. 플러스가 될수도 마이너스가 될수도 있으니. 보통 distsance를 계산하는 것은 제곱한다.
W, b의 값을 작게하는 게 좋음. cost function은 기본적으로 W와 b의 function이 된다. linear regression의 숙제는 가작 작은 값을 가지는 W와 b를 구하는 것이 linear regression의 학습이 된다.
- 그래서 formula 하게 구하면, cost(W,b)를 가장 작게하는 값을 구하자 라는 것이 minimize 최소화 하는. 이 cost값을 최소화 하는 것이 학습의 목표이다.
주어진 식에서 주어진 값들을 최소화 하는 많은 알고리즘이 있습니다.
- 참고로 y 는 true value 이다.
📦 학습이란? cost function을 가장 minimize 하는 것.
cost 가 주어지면 minize 해야하는데 바로
Gradient Descent 를 씀
현재는 매직이라 보면 된다. ㅋ
training 을 실행시킨 다는 것은 여러 단계를 거쳐 W와 b 구하기
정말 잘 된이 값을 보시라구요~ !
bias 잘 몰랐는데 알겠군요
