[모두의 딥러닝] 4장 예제 실습, 활용 (오차 수정하기 : 경사하강법)

앞에서 내가 만들었던 데이터를 여기에도 적용해 실행해보겠다. (연봉 액수에 따른 행복도 예측)

 

 

 

<경사하강법 실습>

 

앞의 장에서 사용했던 최소 제곱법이 아닌 평균 제곱 오차와 경사하강법으로 같은 문제를 해결할 수 있음을 알게 되었다.

 

1. 데이터 리스트 부분만 변경해 데이터를 그래프로 나타냈다.

data = [ [3, 30], [4, 50], [4, 40], [5, 50], [6, 60], [6, 60], [7, 70], [8, 80], [9,90] ]

 

2. 학습률을 0.006으로 수정하고 코드를 돌려보니 3장에서 선형회귀 코드로 출력한 결과와 비슷한 기울기와 y절편 값을 구할 수 있었다.

lr = 0.006

3. 앞에서 구한 기울기와 절편으로 그래프를 다시 그려보았다.

 

 

 

<다중 선형 회귀 실습>

 

다중 선형 회귀는 그냥 선형 회귀와 달리 독립변수 x가 여러 개이기 때문에 여러가지가 달라진다.

 

1. 1차원 예측 직선 -> 3차원 예측평면 으로 바뀜

     (3차원 예측 평면을 그릴 수 있는 코드가 더 필요)

2. 변수를 여러 개 고려하게 되기 때문에 더 정밀하고 정확한 예측이 가능해진다.

 

 

다중 선형 회귀 예제를 활용하기 위해선 추가적인 데이터가 더 필요했다.

추가적인 독립변수 x2는 '언제든 가볍게 만날 수 있는 친구의 수'로 결정했다.

 

사용할 데이터 : 

연봉 액수 (단위: 천 만원)  |   3     |   4      |   4     |    5     |   6     |    6     |   7     |    8     |    9    |

-----------------------------------------------------------------------------------------------------------------

친구의 수 (단위: 명)         |    3    |    5    |    4   |    5    |    6    |    6    |    7    |    8    |    9    |

-----------------------------------------------------------------------------------------------------------------

행복도                         |   30    |   50    |   40    |   50    |   60    |   60    |   70    |   80    |   90   |

 

 

1. 데이터 부분만 변경하여 실행해 그래프를 출력해보았다.

data = [ [3, 3, 30], [4, 4, 50], [4, 4, 40], [5, 5, 50], [6, 6, 60], [6,6, 60], [7, 7, 70], [8, 8, 80], [9,9, 90] ]

 

2. 학습률만 변경해 다음과 같이 기울기1,2와 y 절편 값을 구했다.

lr = 0.006 

3. 마지막으로 3차원 예측 평면 (3D)을 출력했다.