기계학습특론_4주

단순 선형회귀 : 주어진 학습 데이터를 이용하여 손실함수를 최소화하는 탐색

다중 선형회귀 : 다중일 뿐 동일

* 경사하강법 : L(w)를 최소화하는 w를 탐색하는 방법

 

분류(Classification) : 특성 값의 집합으로 설명되는 개체의 소속 클래스

- 카테고리를 예측하는 작업

 

특징벡터: 개별 학생의 '학과'와 '평점'이라는 정보를 2개의 성분으로 구분된 벡터로 표현 가능

특징공간: 개별 관측 값을 특징 벡터의 성분의 개수와 동일한 차원의 공간에 존재하는 하나의 점으로 표시 가능

(중요-시험) 그림을 그릴 수 있어야 함.

베이즈 규칙

사후확률 -> 소프트맥스 등 원리가 있음.

 

선형 판별함수의 이해

g(x) = W * X = wTx

(내적연산)

선형판별함수를 사용한 소속 클래스 예측

- 소속 클래스를 모르는 관측 x'이 주어졌을 때 x'의 소속 클래스 예측 절차

 

* 로지스틱 함수 : (시그모이드 함수와 비슷)

정의역을 0과 1 사이의 값으로 사상해주며, 미분 가능하다는 특징을 보유하고 있어

기계학습에 많이 사용되는 함수.

 

로지스틱 함수 -> (시험문제) 문제풀이 나옴

 

이진 분류에서의 접근

로지스틱 회귀

 

경사하강법 적용

 

로지스틱에서는 크게 시험이 많이 없으나, 다음주가 제일 중요!

퍼셉트론의 기초!