새로운 개선된 버전의 머신러닝 단기집중과정이 2024년 8월 에 제공될 예정입니다. 감사합니다
선형 회귀 는 점 집합에 가장 적합한 직선 또는 초평면을 찾는 방법입니다. 이 모듈에서는 선형 회귀를 직관적으로
살펴본 후 선형 회귀를 위한 머신러닝 접근 방식의 기반이
됩니다.
학습 목표
라인 피팅에 관한 기억을 되살립니다.
머신러닝의 가중치 및 편향과 선형 피팅의 경사 및 오프셋을 해결합니다.
일반적인 '손실', 특히 제곱 손실을 파악하세요.
ML로 전환하기
데이터에서 학습
데이터에서 학습하는 방법은 다양합니다.
하지만 간단하고 익숙한 것부터 시작해 볼 수 있습니다
단순하게 시작하면 널리 쓰이는 여러 방법을 사용할 수 있습니다.
회귀의 편리한 손실 함수
주어진 예에 대한 L2 손실 은 제곱 오차라고도 합니다.
= 예측과 라벨 차이의 제곱
= (관찰 - 예측)2
= (y - y')2
데이터 세트에서 L2 손실 정의
$$ L_2Loss = \sum_{(x,y)\in D} (y - prediction(x))^2 $$
\(\sum \text{:We're summing over all examples in the training set.}\)
\(D \text{: Sometimes useful to average over all examples,}\)
\(\text{so divide by} {\|D\|}.\)
이 동영상 강의의 음성 더빙은 머신러닝 기술을 사용하여 생성되었습니다. Google의 음성 더빙 기술을 개선하도록 도와주세요. 위의 '의견 보내기'를 클릭하여 버그 신고 및 제안사항을 제출해 주세요.
영어 오디오로 변경하려면 페이지 왼쪽 하단의 드롭다운에서 영어를 선택합니다.