https://velog.io/@digyrh456789/%ED%85%90%EC%84%9C%ED%94%8C%EB%A1%9C%EC%9A%B0-%EC%84%A0%ED%98%95-%ED%9A%8C%EA%B7%80
텐서플로우는 이 앞의 글 '텐서플로우 선형회귀'에 간단하게 정리해뒀으니 한 번 보면 좋을 것 같다.
로지스틱 회귀?
로지스틱 회귀는 영국의 통계학자인 D. R. Cox가 1958년에 제안한 확률 모델로서 독립 변수의 선형 결합을 이용하여 사건의 발생 가능성을 예측하는 데 사용되는 통계 기법입니다.
로지스틱 회귀는 이벤트가 발생할 확률을 결정하는 데 사용되는 통계 모델입니다.
머신 러닝에서는 정확한 예측을 생성하는 데 사용됩니다.
텐서플로우와 구글 코랩을 이용해 간단하게 로지스틱 회귀를 구현해보자.
https://colab.research.google.com/drive/1pCRP6QKMjObXCRRcP0LwxnhuRKSlPgdR
다음은 내가 작성한 구글 코랩이다.
이런식으로 먼저 텐서플로우 케라스 같은 로지스틱 회귀에 필요한 것들을 모두 임포트 해준다.
그럼 다음은?
다음과 같이 임의의 합격 여부 데이터를 입력해준다.
시그 모이드 함수를 사용할 것이기 때문에, activation = 'sigmoid'라고 입력해준다.
손실 함수로 교차 엔트로피 오차 함수를 이용할 것이므로, loss='binary_crossentropy'라고 입력해준다.
그리고 몇번 학습할 것인지 정한다. 나는 5000번으로 정했기에 epochs=5000을 입력해 주었다.
다음은 model.predict(x)함수를 이용해 시간 x의 값이 입력되었을때의 그래프를 그려준다.
마지막으로 임의의 학습 시간에 따른 합격 확률을 보여주는 부분을 설정해주었다.
전체 코드는 이렇다.
실행하면 아마 다음과 같이 학습하는 중이라고 나올 것이고, 마지막에 그래프를 함께 보여줄 것이다.
글을 마치며
처음에 마냥 로지스틱 회귀가 어렵고 복잡하다고 생각했는데, 이렇게 접근해보니 생각처럼 막 엄청 어려운건 아니였던 것 같다. 그냥 간단하게 정리한 이 글이 누군가에게 도움이 되었으면 좋겠다.
