개발자를 위한 필수 수학

231

6

장

로지스틱 회귀와 분류

b0 = 0.01

L = .01

for j in range(10_000):

b1 += d_b1(b1, b0) * L

b0 += d_b0(b1, b0) * L

print(b1, b0)

# 0.6926693075370812 -3.175751550409821

β

0

와

β

1

에 대한 편도함수를 계산한 후 데이터 포인트의 개수

n

과

x

,

y

값을 대입합니다. 그런

다음 효율성을 위해

lambdify

()

를 사용해 편도함수를 파이썬 함수로 변환합니다(이 함수는

이면에서 넘파이를 사용합니다). 그 후

5

장에서 했던 것처럼 경사 하강법을 수행하지만, 최소화

가 아닌 최대화를 시도하기 때문에 최소 제곱법에서처럼

β

0

와

β

1

을 빼는 것이 아니라 더합니다.

[예제

6

-

8

]에서 볼 수 있듯이

β

0

= -

3

.

17575

,

β

1

=

0

.

692667

을 얻습니다. 이는 앞서 사이킷

런으로 얻은 값과 매우 유사합니다.

5

장에서 배운 것처럼 확률적 경사 하강법을 사용해 각 반복에서 하나 또는 몇 개의 데이터 포

인트만 샘플링할 수도 있습니다. 이렇게 하면 계산 속도와 성능을 향상하고 과대적합을 방지할

수 있습니다.

6.3

다변수 로지스틱 회귀

이번에는 여러 입력 변수에 대해 로지스틱 회귀를 사용하는 예제를 살펴봅니다. [표

6

-

1

]은 고

용 유지 데이터로 구성된 가상의 데이터셋에서 ...