핸즈온 머신러닝(2판): 사이킷런, 케라스, 텐서플로 2를 활용한 머신러닝, 딥러닝 완벽 실무

50

1

부

머신러닝

1인당 GDP

삶의 만족도

그림

1-18

가능한 몇 개의 선형 모델

모델을 사용하기 전에

θ

0

과

θ

1

을 정의해야 합니다. 모델이 최상의 성능을 내도록 하는 값을 어

떻게 알 수 있을까요? 이 질문에 대답하려면 측정 지표를 정해야 합니다. 모델이 얼마나

좋은지

측정하는

효용 함수

utility

function

(또는

적합도 함수

fitness

function

)를 정의하거나 얼마나

나쁜지

측정하

는

비용 함수

cost

function

를 정의할 수 있습니다. 선형 회귀에서는 보통 선형 모델의 예측과 훈련 데

이터 사이의 거리를 재는 비용 함수를 사용합니다. 이 거리를 최소화하는 것이 목표입니다.

여기에서 선형 회귀

linear

regression

알고리즘이 등장합니다. 알고리즘에 훈련 데이터를 공급하면

데이터에 가장 잘 맞는 선형 모델의 파라미터를 찾습니다. 이를 모델을

훈련

training

시킨다고 말

합니다. 이 경우에는 알고리즘이 최적의 파라미터로

θ

0

=

4

.

85

와

θ

1

=

4

.

91

×

10

-

5

을 찾았습니다.

CAUTION_

조금 혼란스러울 수 있지만 ‘모델’이라는 단어는

모델의 종류

(예를 들면 선형 회귀)나

완전히 정

의된 모델 구조

(예를 들면 하나의 입력과 하나의 출력을 가진 선형 회귀)나 예측에 사용하기 위해 준비된

훈

련된 최종 모델

(예를 들면

θ

0

=

4

.