Logistic (regression) classification (lec5-1)

수업의 궁극적 목표 뉴럴네트워킹 & 딥러닝

값을 예측하는 것(regression) y값

가설 Hypothesis 

 이지만 간단하게

H(X) = WX 로 표시

코스트함수 Cost

cost는 학습데이터와 가설을 세운 데이터 값의 차이의 평균치이다. (낮을수록 좋음)

코스트함수를 minimize하는 Gratient decent

w값을 조절하여 cost값을 줄인다. 

기울기란 코스트값을 미분한 값으로 나타난다.

기울기의 변화 사이즈 α(=learning rate)

(Binary) Classification(분류)

두가지 중 하나로 분류하는 것 ( 0 or 1 )

자주 사용하는 것을 위주로 분류하여 걸러내는 방법

오류 : 0과 1의 기준이 모호 해질 수 있다. ( 1보다 큰수의 값이 나올 경우 )

해결방안 : H(x) 함수 대신 g(z)를 사용하여 0＜g(z)＜1 와 같은 sigmoid 함수(= logistic)가 된다.

z = WX

H(x) = g(z) 

Logistic Hypothesis

 이 된다. 

e의 승수 중에 -W의 자승인 T는 X로 표기해도 되는데 W행렬의 생김새가 X해열ㄹ과 행렬곱이 안되는 형태면 전치시켜서 곱을 하라는 의미라고 한다. 예를 들어 W가 5행2열, X가 5행 1열이면 W의 열과 X의 행이 같지 않아서 행렬곱을 할 수 없어서 X를 전치시켜서 1행 5열로 만들어준다.