01. ch01. 머신러닝의 개요 - 01. 머신러닝의 개요 - 04. ch02. sklearn의 개요 - 02. 학습(fit), 예측(predict) 실습
02. ch01. 머신러닝의 개요 - 02. 가설 함수, 비용, 손실 함수
가설 함수
H(x) = W * X + b
H(x) = Y Predict
손실 = Y Predict -
손실함수
= W * X + b - Y
손실함수
= W * X + b – Y
= 2X + 1 - Y
손실함수 (Loss Function)
= W * X + b – Y
= (W * X + b – Y)2 의 전체 합
= ∑(W * X + b – Y) 2
데이터의 개수가 많아지면 손실이 커지므로
전체 손실의 평균을 구합니다
∑(W * X + b – Y) 2 / N(데이터 개수)
03. ch02. sklearn의 개요 - 01. sklearn과 주요 API 에 대하여
from sklearn.linear_model import LinearRegression
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
model = LinearRegression()
from sklearn.linear_model import LinearRegression
model = LinearRegression()
model.fit(x, y)
from sklearn.linear_model import LinearRegression
model = LinearRegression()
model.fit(x, y)
prediction = model.predict(x2)
04. ch02. sklearn의 개요 - 02. 학습(fit), 예측(predict) 실습
학습 데이터, 예측데이터 (features, labels, train, validation, test)
from sklearn.linear_model import LinearRegression
model = LinearRegression()
model.fit(x, y)
prediction = model.predict(x2)
X:
features
x_train, x_test
Y:
labels라고 불리웁니다.
y_train, y_test
예측해야할 값
학습을 위한 데이터
= Training Set
모델이 학습하기 위해 필요한 데이터
feature/label이 모두 존재
예측을 위한 데이터
= Test Set
모델이 예측하기 위한 데이터
feature 만 존재
패스트캠퍼스 데이터분석 강의 링크
bit.ly/3imy2uN
