Machine Learning - 1

Introduction to MachineLearning

개인적으로 구글을 통해서 학습한 내용 정리용

1. What is Supervised Machine Learning

입력을 결합하여 이전에 본 적 없는 데이터를 예측하는 방법을 학습하는 방법

2. Terms (용어들)

• Label = 예측하는 실제 항목(y)
  • 기본 선형 회귀의 y변수
• Features = 데이터를 설명하는 입력변수($x_i$)
  • 기본선형회귀의 ${x_1,x_2,....}$
• Examples
  • 데이터의 특정 인스턴스 x = vector
• 라벨이 있는 예 = 특성과 라벨이 포함
• ex(이메일 텍스트 단어, 보내는 사람 주소, 전송시간, 이상한 구문이 포함된 이메일)
  • 모델을 학습시키는데 사용
• 라벨이 없는 것 {특성}
  • 새 데이터를 예측하는데 사용
• Model = 예를 예측된 라벨 $y'$ 에 매핑
  • 특성과 라벨의 관계를 정의한다
  • 학습되는 내부 매개변수에 의해 정의된다.
  • 학습이란?
    • 모델을 만들거나 배우는것
  • 추론이란?
    • 학습된 모델을 라벨이 없는 예에 적용하는것
• 회귀 는 연속적인 값을 예측
• 분류 는 불연속적인 값을 예측
  • 내가 프로젝트에 쓸 것

데이터에서 학습

Regression

$L_2$ loss = Mean square error
= 예측과 라벨간의 차이 제곱
= (관찰 - 예측)^2

$L_2Loss = \sum_{(x,y)\in D} (y-prediction(x))^2$

기본식

$y = max + b$

머신러닝의 기본식

$y' = b + w_1x_1$
여기서 $y'$은 예측된 라벨(얻고자 하는 출력)
b는 편향(y절편,bias)
$w_1$은 특성 1의 가중치 = 기울기
$x_1$은 특성(알려진 입력)

ex) 세가지 특성 모델

$y' = b + w_1x_1 + w_2x_2 + w_3x_3$

학습 및 손실

$MSE = \frac 1 N \sum_{(x,y)\in D} (y-prediction(x))^2$
N : D에 포함된 예의 수
(x,y) : 예

• x : 모델 예측에 사용하는 특성 집합
• y : 예의 라벨
  prediction(x) : 특성집합x와 결합된 가중치 및 편향의 함수
  D : (x,y) 쌍과 같이 여러 라벨이 있는 예가 포함된 데이터셋

Written with StackEdit.