개발자를 위한 필수 수학

224

개발자를 위한 필수 수학

그림

6-6

로지스틱 함수

일부 책에서는 로지스틱 함수를 다음과 같이 정의합니다.

01

01

1

x

x

e

p

e

ββ

ββ

+

+

=

+

대수적으로 다르게 표현되었을 뿐 동일한 함수이므로 당황하지 마세요.

2

선형 회귀와 마찬가지

로 로지스틱 회귀를 둘 이상의 입력 변수 (

12

, , ...

n

xx x

)로 확장할 수 있습니다. 공식에 더 많

은

β

x

계수를 추가하면 됩니다.

0 11 2 2

( ... )

1

1

nn

xx x

p

e

ββ β β

−+ + +

=

+

6.2.2

로지스틱 회귀 훈련하기

주어진 훈련 데이터셋에서 어떻게 로지스틱 회귀 모델을 훈련할까요? 먼저 데이터에는

10

진

수, 정수, 이진 변수가 혼합될 수 있지만 출력 변수는 이진 (

0

또는

1

)이어야 합니다. 실제로 예

측을 수행할 때 출력 변수는 확률과 비슷하게

0

과

1

사이의 값을 가집니다.

입력과 출력 데이터에서 로지스틱 함수에 맞는

β

0

과

β

1

계수를 찾아야 합니다.

5

장에서는 최

소 제곱법을 사용했습니다. 하지만 여기서는 이 방법이 적용되지 않습니다. 대신 주어진 로

지스틱 함수가 관측된 데이터를 출력할 가능성을 최대화하는

최대 가능도 추정

maximum

likelihood

estimation

(

MLE

)을 사용합니다.

최대 가능도 추정을 계산하기 위해서 선형 회귀와 같은 닫힌 형식의 방정식은 실제로 존재하지 ...