linear regression (2) 썸네일형 리스트형 [선형대수학] 선형대수와 머신 러닝 1 [선형 회귀와 최소제곱법] 선형 회귀는 데이터 간의 선형적인 관계를 모델링하는 머신 러닝 알고리즘 중 가장 기본적이고 널리 사용되는 방법 중 하나입니다. 이번 포스팅에서는 선형 회귀의 개념과 선형대수학의 기본 개념 중 하나인 최소제곱법을 활용하여 최적의 회귀선을 찾는 방법을 자세히 알아보겠습니다. 1. 선형 회귀의 개념: 선형 회귀는 입력 변수$($X$)$와 출력 변수$($Y$)$ 사이의 선형 관계를 모델링하는 방법입니다. 예측하려는 종속 변수$($Y$)$와 하나 이상의 독립 변수$($X$)$ 간의 관계를 수학적으로 표현하는 선형 모델을 구축합니다. 선형 회귀는 데이터의 분포를 가장 잘 표현하는 직선$($회귀선$)$을 찾아내어 새로운 입력 값에 대해 출력 값을 예측하는 데에 사용됩니다. 2. 최소제곱법$($Least Squares.. [선형대수학] 선형대수와 머신 러닝 0 수학적 토대로 더 나은 예측 모델 구축하기 선형대수학은 머신 러닝에 필수적인 수학적 토대 중 하나입니다. 이 블로그 포스트에서는 선형대수학이 머신 러닝에서 어떻게 활용되는지 다양한 예시와 함께 알아보겠습니다. 선형대수학이 제공하는 강력한 도구들은 머신 러닝 알고리즘의 개선과 데이터 분석의 효율성 증대에 큰 기여를 합니다. 1. 선형 회귀$($Linear Regression$)$: 선형 회귀는 입력 변수와 출력 변수 간의 선형 관계를 모델링하는 데에 자주 사용됩니다. 선형 회귀 모델은 선형대수학의 기본 개념을 활용하여 최적의 회귀선을 찾습니다. 특히, 최소제곱법$($Least Squares Method$)$은 잔차의 제곱합을 최소화하여 가장 잘 맞는 회귀선을 찾는데 사용됩니다. * 잔차$($residual.. 이전 1 다음
