스터디 ) 모두를 위한 딥러닝 lec 4~6 정리

<Lec 4 정리>

 

Multivariable linear regression (여러개의 변수 사용)

식을 다음과 같이 바꿔서 사용. 위의 예시는 input이 3개인 경우 hypothesis 식

같은 경우 Cost Function의 식은 이렇게 바꿀 수 있다.

 

variable이 많아 질 경우 식이 너무 복잡해지므로 Matrix 의 곱셈을 이용한다.

-> H(X) = XW

 

각 변수에 대한 인스턴스가 여러개 있어도 matrix를 사용하면 곱셈에 문제가 없다.

 

H × W = H(X)H의 행 = instance 개수 (data 개수)H의 열 = variable 수. (변수)

 

H(X)의 행 = instance 개수

H(X)의 열 = Y 값 개수

 

두가지 값이 주어졌을 때 W의 크기 결정

W의 행 = H의 열

W의 열 = H(X)의 열

출력값 Y가 1개 이상인 경우

matrix의 곱셈 결과 값의 열이 1개 이상.

 

TensorFlow에서 사용하는 경우 H(X) = XW 순으로 써주는 것이 matrix 계산 구현이 가능하므로 최대한 이 표기법으로 사용하기

 

 

<Lec 5 정리>

 

Logistic classification

 - 정확도가 높은 알고리즘

 

Binary classification 

• 정해진 두개의 카테고리 중 하나를 선택.  (ex : Spam main Detection)
• 0/1 로 encoding 하여 표현한다.
• 따라서 Linear 한 그래프 형태로 표현하기 어렵다.

 

Linear 한 형태와 비슷하게 표현하기 위해 0과 1로만 결과가 나오도록 압축하는 식 사용.

위와 같은 가설을 세워 사용한다. 값은 0에서 1사이로 나오게 된다.

 

Cost Function

Cost Function은 위와 같다.

 

위의 식은 Cost Function 을 조건을 나누지 않고 하나의 식으로 만든 것이다. (Tensorflow에서 사용하기 편리하도록)

밑의 식은 W값 변화시키며 Cost를 최소화하는 값 구하기. 

 

 

<Lec 6 정리>

 

Multinomial Classification

 - 여러개로 분류하는 경우 분류할 수 있는 선 찾기.

 - Binary classification 으로 각각의 값 분류 가능. ex) A or not 선 / B or not 선 ...

 

각각의 결과 값에 sigmoid 함수 적용

 

SoftMax

 - Logistic classifier를 통해 WX = Y 값을 내면, sigmoid 함수에 적용해 값이 0과 1사이의 값으로 나오도록 함.

   결과 값의 합은 1이 되어야 함.

- 나온 결과 값 중 큰 값을 1로 하고 나머지 작은 값은 무시해도 되는 경우 0 으로 설정. "One-hot encoding"

 

Cross-entropy : 불확실성의 정도Cross-entropy를 이용하여 cost function 만든다.

 

S(y): 출력을 softmax로 변환 (예측한 y 값)

L : 실제 값

 

Logistic cost 와 cross entropy 사실상 같다.

 

최소화 구하는 법은 Gradient descent를 사용한다. (경사면 타고 내려가 최저값 구하는 알고리즘)

 

 

필기 정리

 

 

출처