[모두의 딥러닝] lec 02. Linear Regression의 Hypothesis와 cost 설명

Predicting exam score: regression

- 학습: training
- 학습 데이터: training data

 

Regression (Data)

- Y: 예측하려는 대상
- X: 예측하기 위해 필요한 자료

 

(Linear) Hypothesis

: linear한 모델이 우리의 가설에 맞을 것이다라고 하는 것
Ex) 운동을 많이 할수록 기록이 좋아짐.
- 어떤 데이터가 있다면 여기에 잘 맞는 linear한 선을 찾는 것.

 

1) H(x) = Wx+b

- Which hypothesis is better?
--> H(x) = Wx+b 를 통해 파악!!
Ex) 노랑: H(x) = 0.5x+2 / 파랑: H(x) = 1x+0
- 어떤 모델이 좋은가할 떄 실제 데이터와 가설이 나타내는 점들과 비교하여 

가까우면 좋은 것, 멀면 나쁜 것으로 판단.

 

 

Cost function (Loss function)

- How fit the line to our (training) data

m = 데이터 개수

 

- 가장 작은 W, b를 가지게 하는 것이 Linear Regression의 학습.