Lenear Rigression(1)

이번 시간에는 tensorflow를 이용하여 머신러닝(기계학습)을 구현하는 방법을 간단하게 설명하고 간단한 예제 실행도 해보겠습니다.
0.tensorflow는 무엇인가? 에서 간단하게 설명했었지만
머신러닝은 기존 훈련 데이터들을 이용하여 데이터를 구분지을 수 있는 판별식(WX+b)를 구한 후
새로운 데이터가 왔을 때 이를 예측하는 방법이라고 하였습니다.
말로 설명하면 아직 감이 안 오시는 분들이 많죠~ 직접 예제를 실행해보면서 알아가는 시간을 갖겠습니다.


머신러닝은 크게 4단계로 이뤄진다고 보면 됩니다.
1.training data를 준비한다.
2.Hypothesis(판별식)을 설정한다.
3.Cost함수를 설정한다.
4.cost함수를 최소화시키는 W,b를 구한다.

1.Training data set을 준비한다.

여기서 Training set이라고 하면 x_data(속성 값), y_data(실제 값)을 말합니다.

예를 들어 어떤 사람의 수학 점수를 가지고 대학교 합격,불합격 여부를 알고 싶다고 합시다.
그러면 학습을 하기 위해서 실제 데이터들이 필요한데, 학습데이터는 다음과 같은 형태입니다.

x_data=[100,58,95,72,83] #학생1 100점,학생2 58점,학생3 95점, 학생4 72점,학생5 83점
y_data=[1,0,1,0,1]  #합격(1) 불합격(0) 합격 불합격 합격

2.Hypothesis(판별식)을 설정한다.

여기서 Hypothesis는 데이터들을 구분할 수 있는 직선 정도라고 생각하면 됩니다.
그리고 이는 어떤 데이터가 주어졌을 때 예측한 값이 됩니다

hypothesis=X*W+b

3.Cost함수를 설정한다.

cost 함수는 우리가 hypothesis로 설정한 직선으로 구한 예측 값과 실제 값이 얼마나 다른가를 나타내는 함수정도로 생각하면 됩니다.
cost함수를 일단 다음과 같이 정의하겠습니다.

H(x^i):예측 값
y^i:실제 값 

cost=tf.reduce_mean(tf.square(hypothesis-Y))

tf.reduce_mean는 평균을 구해주고, tf.square는 제곱을 해준다.

4.cost함수를 최소화시키는 W,b를 구한다.

컴퓨터는 데이터를 훈련시키면서 cost 함수(우리가 예측한 값과 실제 값의 차이)를 작게 하는 W와 b 값을 구합니다.
W,b를 구하는 법은 Gradient decent algorithm(경사감소법)을 이용하는데 구체적인 방법은 알지 못해도 좋아요.
왜냐하면 컴퓨터가 알아서 하기 때문이죠!!!!

심지어 W,b도 컴퓨터가 스스로 변경한답니다!!

optimizer=tf.train.GradientDescentOptimizer(learning_rate=0.0001)
train=optimizer.minimize(cost)

tf.train.GradientDescentOptimizer는 경사감소법을 해주는 기계로 생각
learning_rate은 cost함수를 최소화 시킬 때 W,b값을 변화시키는 정도로 생각 (너무 커서도 작아서도 안 된다!)
optimizer.minimize(cost) cost를 최소화시킴

다음 장에서 직접 tensorflow를 이용해서 직접 훈련도 시켜보고 예측 값도 구해보겠습니다.