728x90
선형 회귀법
- 독립 변수 x를 사용해 종속 변수 y의 움직임을 설명하고 예측하는 작업
- 가장 적절한 예측선을 그려내는 과정. 즉, 최적의 기울기(a), 절편(b) 찾는 과정
- 모든 점들로부터의 오차가 최소인 지점에 가장 적절한 예측선을 그림
기울기와 절편 찾는 방법
최소 제곱법 - 1차함수용 독립변수 x가 1개일때 사용
경사 하강법 - 다차함수용 독립변수 x가 2개 이상인 경우
최소 제곱법 (method of least squares)
기울기 = {(x- x평균)(y-y평균)의 합}/{(x-x평균)^2의 합}
| 시간 | 기온 | 예측값 |
| 0 | 16 | |
| 3 | 14 | |
| 6 | 17 | |
| 9 | 19 | |
| 12 | 22 | |
| 15 | 26 | |
| 18 | 23 | |
| 21 | 19 | |
| 평균 | 19.5 |
평균 제곱 오차 (mean square error, MSE)
오차의 합 = {(y-y평균)^2}의 합/{총 변량 갯수) .... 머신러닝 딥러닝에서 중요.
선형회귀란 임의의 직선을 그려 이에 대한 평균 제곱 오차를 구하고, 이 값을 최소로 만드는 기울기(a)와 절편(b)를 찾는 과정.
이 최소값을 찾기위해서 반복계산이 필요함
728x90