오늘은 PCA분석, 주성분 분석에 대해 알아보고자 합니다. PCA(Principal Component Analysis)은 머신러닝에서 데이터의 차원 축소, 노이즈 제거 등 다양하게 활용되는 머신 러닝 기법입니다. 데이터 차원축소 이미지 주성분 분석 출처: https://ichi.pro/ko/pca-juseongbun-bunseog-leul-sayonghan-chawon-chugso-72444897482598 출처: https://datascienceschool.net/02%20mathematics/03.05%20PCA.html 딥러닝, 머신러닝에서 학습할 데이터의 차원을 줄이는 부분은 굉장히 중요한 요소입니다. 데이터의 차원을 줄임으로서 학습할 시간과, 데이터의 용량, AI 모델의 무게 등을 줄일 수 있..

저번 글에서는 선형회귀 분석을 Python으로 구현을 해보았습니다. (Python 선형회귀 분석 바로가기) 이번엔 비용함수(Cost Function)에 대해 조금 더 자세히 알아가 보도록 하겠습니다. 아래 그림을 한번 보도록 하죠 저희 가설이 H(x) = w*x+b라는것을 알수있습니다. 실제 데이터셋에 맞는 선형회귀모델을 만들기 위해서는 저희 가설이 Y=2*x라는 값과 최대한 같아져야 하죠. x1, x2, x3 값이 주어 졌을때 H(x)의 값이 y의 값에 가까울 수록 잘 예측한 선형회귀 모델이 되는 것이죠. 아래와 같은 비용함수(Cost Function)을 보시면 x1,x2,x3 ....xn 을 입력하였을때의 가설과 실제 y 값의 차에 대한 평균인것을 알 수 있습니다. 비용함수가 가장 작은 w값이 실제 ..

머신러닝을 배우기 시작하면 꼭 한번 쯤은 공부하게 되는 선형회귀분석입니다. 머신러닝을 배우는 과정에서는 선형회귀외에도 Binary Classificaion, PCA분석, KNN 알고리즘 등 다양한 방법들이 있지만 오늘은 선형회귀에 대해 알아보고자 합니다. 아래 이미지가 잘 보이시나요? 선형회귀분석을 잘 설명하는 이미지라고 볼 수 있습니다. 파란색 점들이 데이터 일때, 파란색 데이터들이 어떤 형태로 이루어져 있는 것 처럼 보이시나요? 빨간색 선이 잘 보여주고 있죠? 마치 데이터들이 선형성(Linear)을 띄고 있다는 것을 알 수 있습니다. 선형회귀분석을 적용하고자 하신다면 기본적으로 데이터들이 선형성을 띄는것이 필요합니다. 반대로 말하자면 분석하고자 하는 데이터셋이 원형형태의 군집을 이루고 있거나, 방사형..