머신러닝

선형회귀
항등함수
리니어

이진분류
출력 1개 확률값

분류는 확률값
회귀는 연속값

클래스 개수
softmax
합이 1인 확률값

---

[딥러닝 개념정리]

• 딥러닝이란?
  기계가 인간의 뉴런, 신경망을 모방하여 데이터를 학습 및 예측하는 기술
• 퍼셉트론(perceptron)?
  딥러닝 모델을 구성하는 기본 단위
  (퍼셉트론 = 선형모델 + 활성화함수)
• 모델링 순서

1. 신경망 구조 설계

• 뼈대 생성 (Sequential())
• 입력층 (InputLayer(shape = (, ))) 입력특성의 형태를 지정
• 중간층, 은닉층 (Dense(units = ?, activation = ? ))
• 출력층 (Dense(units = ? , activation = ?))출력하고자하는 데이터의 형태를 지정

2. 학습방법 및 평가방법 설정 (compile(loss, optimizer, metrics))
   • 오차 손실, 최적화, 평가
3. 모델학습 (model.fit(X_train, y_train, validation_split = ?, epochs = 반복횟수))
4. 모델 예측 및 평가 (model.evaluate(X_test, y_test))

[활성화함수 activation -> 중간층, 출력층 (활용도가 다름)]

• 중간층 : 활성화/비활성화
  (역치_활성화하기위해 필요한 최소 자극)
  - 초기: stepfunction(계단함수) -> sigmoid(시그모이드)
• 출력층 : 출력하고자하는 데이터의 형태를 지정
  - 회귀 : linear(항등함수, y = x) 선형모델이 예측한 결과를 그대로 출력 -> default 값 별도로 작성하지 않아도 무방
  • 이진분류(클래스개수) : sigmoid(시그모이드) 선형모델이 예측한 연속한데이터를 0 과 1 사이의 확률값으로 변경해주기 위함이다.
  • 다중분류 : softmax(소프트맥스) 클래스 개수만큼의 결과값을 전체 합이 1인 결과로 변경

[출력하고자하는 데이터의 개수에 따라 units의 개수]

• 회귀: units = 1
• 이진분류 : units = 1, 1개의 확률값(인지 아닌지에 대한 판별)
• 다중분류: units = 클래스의 개수
  

[학습방법 및 평가방법 설정 -> compile]

• loss(손실함수, 비용함수)
• 회귀: MSE (평균제곱오차)
• 이진분류: binary_crossentropy
• 다중분류: categorical_crossentropy -> 문제발생 -> 모델의 출력결과와 정답데이터의 형태가 달라 오류 발생 -> sparse_categorical_crossentropy
• optimizer(최적화함수)
• metrics (평가지표)
• 회귀: mse(평균제곱오차)
• 분류: accuracy(정확도)

I