Logistic(Regression) Classification 01

본 글은 모두를 위한 머신러닝/딥러닝 강의를 참고하여 작성하였습니다.

ML lec 5-1: Logistic Classification의 가설 함수 정의

Regression

Regression에서는 우리는 세 가지 가정을 한다.
첫 번째, 가정이다.

• 이 데이터는 선형적인 관계가 존재할 것인가?
• 다변수를 가지지고 있는 선형회귀 식이 존재할 것이다.

두 번째, Cost Function
주어진 가설을 바탕으로,
각각의 비용값들 계산

세 번째, Gradient Decent
위의 식을 바탕으로,
값을 최소화 시키는 $W$ 찾기

Classification

데이터를 특정 기준에 따라 분류하는 것

사용예,

• 스팸메일 분류(일반 메일 또는 스팸 메일)
• 시험 합격 여부(합격 또는 불합격)
• 암 종양 여부(음성 또는 양성)

이 장에서 다룰 내용은
0과 1의 값을 갖는
Binary Classification이다.

이때, 우리가 값을 분류하기 위해
선형 식을 이용한다고 해보자.

우리가 생각 할 수 있는 최선의 방법은
$y$ 값이 0.5 되는 지점과
기울기가 만나는 지점을 기점으로
$x$ 값을 나누는 것이다.

하지만, 여기서 문제가 발생한다.
기울기에 따라 0의 값이 1의 값으로 분류 될 수 있고,
반대의 경우도 생길 수 있다.

이런 문제점을 보완하고자 나온것이
Logistic Regression 이다.

Logistic Hypothesis

\(H(X) = \frac{1}{1 + e^{-W^TX} }\)