⚙ 2. 단순 선형회귀

---

🔨 이번 포스팅에서는 선형회귀에 대해서 알아보자.

1. Regression

🔨 어떤 데이터가 너무 크거나 작아도 모든 데이터들은 전체의 평균으로 되돌아가려는 (회귀하려는) 특성이 있음

1.1. Linear Regression

---

🔨 어떤 값들이 선형적인 증가 / 감소 관계에 있을 떄 이 관계를 해석하는 것

• 즉, Linear Regression은 데이터를 가장 잘 나타내는 직선의 방정식 (기울기 / y절편) 을 찾는 것이다.

1.2. Hypothesis

---

🔨 Hypothesis - 가설함수

$H(x) = Wx + b$

• 가설 : 이 직선이 데이터의 특징을 가장 잘 나타내는 직선이다!!
• 이제 이 가설이 데이터를 가장 잘 나타내도록 기울기(W)와 y절편(b)을 찾아야 한다.
• ($H(x_i) - y_i$ ) : 가설과 실제 데이터와의 차이. 오차 / Loss / Error 라고 한다.

1.3. Cost

---

🔨 Cost - 비용함수

$Cost(W,b) = \frac{1}{m} \sum_{i=1}^m (H(x_i) - y_i)^2$

• 오차 제곱의 평균
• 위의 비용함수에 $x_i$ 값과 $y_i$ 값을 대입하면 비용이 구해짐
• 단순히 cost의 총합을 최소화하려고 하면 양수 / 음수의 문제가 발생한다. 따라서 cost를 제곱해서 이 값을 최소화한다.

1.4. ⭐목표

---

🔨 Cost를 최소화하는 기울기와 y 절편을 찾는 것이 선형회귀의 목표이다!!

---

🔨 이번 포스팅에서는 가설함수, 비용함수와 선형회귀의 목표에 대해서 알아보았다. 각 함수들의 형태를 아는 것이 중요하다고 생각한다.

🔨 다음 포스팅에서는 실제 코드로 가설함수와 비용함수를 구현해보자.