[WARNING] 또야주의

앞선 포스팅에서 선형 회귀에 대한 내용을 알아보았다. 이번에는 경사 하강법에 대해 쉬운 소개를 해보려고 한다. 1. 경사 하강법이란(Gradient Descent) 위와 같은 그래프에서 오차가 제일 적은 지점은 a = m일 때이다. 아래로 볼록한 함수의 가장 아랫 부분을 찾는 것이다. a가 m에서 멀어질 수록 오차는 커진다. 즉, m과 같은 a(기울기)를 찾았을 때 오차가 최소화 된다는 개념이다. 이 m을 찾아가는 과정을 위 그래프와 같이 경사를 하강시키며 (m에 수렴시키며) 적합한 a를 찾는 과정을 경사하강법이라고 한다. 처음 그래프를 보면 잘 이해가 안될 수 있는데, 우리는 이차함수 그래프 중 y=ax+b인 그래프에만 익숙하기 때문이다. 그래서 이를 x에 대하여 미분한 값인 a를 기울기라고 칭해왔다...

likethefirst.tistory.com/entry/%EC%84%A0%ED%98%95%ED%9A%8C%EA%B7%80-Linear-Regression-Model-1 [Python] 선형회귀 (1) / 최소제곱법의 프로그래밍과 결과값 그래프로 나타내기 likethefirst.tistory.com/entry/%EC%84%A0%ED%98%95%ED%9A%8C%EA%B7%80-Linear-Regression-Model-Basic 선형회귀 / Linear Regression Model / Basic 1. 선형회귀란 독립 변수 X와 X의 값에 따라 달라지는 종속.. likethefirst.tistory.com 지난 선형회귀 (1) 포스팅에서 기울기 a와 y절편 b를 예측하여 x 값에 따른 y 값을 추정해 그래프..

likethefirst.tistory.com/entry/%EC%84%A0%ED%98%95%ED%9A%8C%EA%B7%80-Linear-Regression-Model-Basic 선형회귀 / Linear Regression Model / Basic 1. 선형회귀란 독립 변수 X와 X의 값에 따라 달라지는 종속 변수 Y와의 선형적인 상관 관계를 모델링하는 것이다. 즉 X에 따른 Y값을 예측하고 설명하는 것이다. 2. 예제 공부한 시간 2 4 6 8 성적 81 likethefirst.tistory.com 앞선 포스팅에서 선형회귀에 대한 개념과 관련된 공식 등을 알아보았다. 이번 포스팅에서는 위 포스팅에 있는 예제의 값을 이용하여 공식을 프로그래밍화하고, 결과값을 간단한 그래프로 나타내본다. 1. X와 Y를 선언..

1. 선형회귀란 독립 변수 X와 X의 값에 따라 달라지는 종속 변수 Y와의 선형적인 상관 관계를 모델링하는 것이다. 즉 X에 따른 Y값을 예측하고 설명하는 것이다. 2. 예제 공부한 시간 2 4 6 8 성적 81점 93점 91점 97점 위의 표를 보면, 공부한 시간 [2, 4, 6, 8]의 표본에서 '공부한 시간에 비례해 5점이 오른다.' 와 같은 정확한 규칙성은 딱히 보이지 않는다. 선형회귀는 y=ax+b의 식에서 예측값 - 실제값 (오차) 을 가장 최소화하여야 한다. 그러므로 a와 b의 값을 정확히 예측해야 한다. 모든 독립 변수 X가 y=ax+b에 대입 시 실제 값과 가장 가까운 예측값 Y를 구해야 한다는 것이다. 3. 최소제곱법 위에서 기울기인 a와 y절편인 b를 정확히 구해내야 한다고 했는데, ..

스포츠 기사를 보면 반복되는 부분이 있다. 이긴 팀이 누구인지, 스코어는 몇 대 몇인지, 경기장은 어디인지 등이다. 위와 같은 내용을 핵심 요소만 간추려 입력 받아 야구 기사를 쓰도록 하는 프로그램이다. 1 2 3 4 5 6 7 8 9 10 11 12 stadium = input("경기장은 어디입니까? ") winner = input("이긴 팀은 어디입니까? ") loser = input("진 팀은 어디입니까? ") vip = input("우수선수는 누구입니까? ") score = input("스코어는 몇 대 몇입니까? ") print("") print("=====================================================") print("오늘 ", stadium, "에서 야구..