linear Regression은 좌표상 위치한 데이터를 이어주는 직선(가설)을 그어서 데이터의 위치(값)을 예측하는 모델이었다. 반면에 Lositic(Binary) Classiificaiton은 2가지 중 하나를 찾는 가장 간단한 분류 모델이다. 0과 1을 분류해주는 가설의 적당한 그래프를 찾기위해 나온것이 바로 시그모이드 함수이다. 위의 시그모이드 함수의 표현식이다. 하지망 위의 가설로 전에 계산했던 코스트함수를 만들게 되면 밥그릇 같던 함수가 아닌 구불구불한 모습으로 나오게된다. 앞장에서 배운 cost함수와 다른점은 여기에서는 시작점에따라 결과값이 달라진다는 점입니다. Gradient descent방법으로 적용하면 접선의 기울기가 0인지점을 최저점으로 인식하는데 실제 최저점(Global cost m..

값을 알려주는 선형회귀와는 달리 clasiification은 분류(0, 1)을 보여준다. 예를들어서, 스팸 매일 , 유튜브의 알고리즘 같은 예가 있다. 당신들이 좋아하는 것만 보여주는 유튜브 이것이 classification을 이용한 것이다. 0.1 encoding -> classification ,,,,,, 알아 보자. classification이 linear regression 의 개념을 이용했다.???? 어느 정도 맞는 말이다....... 하지만 선형 회귀로는 문제점이 발생한다. H(x) =Wx +b라는 선형 회귀가 편하긴 하지만 0,1로 이루어진 결과가 편하고 그것이 편리하다.; (H(x)의 값이 너무 커져서 불편하다.) 그런데 여기서 재미있는 함수를 발견하게 된다. 그것이 바로 sigmoid이다..

Lnear regression(선형 회귀)란 data를 통해 가설을 만든다. H(x) = WX. cost는 우리가 만든 이 가상의 선이 가상의 값과 실제의 값이 얼마나 다른지를 알려주는 것이다. 그리고 학습을 통해 cost를 최소화하는 웨이트를 찾는다. 마치 밥그릇 같이 생겼다. 이것을 통해 경사하강법을 사용한다. 이 알골리즘을 통해 cost를 최소화 하는 w(웨이트)를 찾는다. 그리고 여기서 이 기울기를 찾아가는 사이즈를 러닝래이트(학습 속도)를 의미한다.

import tensorflow as tf tf.set_random_seed(777) # for reproducibility x_data = [[73., 80., 75.], [93., 88., 93.], [89., 91., 90.], [96., 98., 100.], [73., 66., 70.]] y_data = [[152.], [185.], [180.], [196.], [142.]] matrix(행렬)을 이용해서 보다 쉽게 주어진 데이터들을 쓸 수 있다. X = tf.placeholder(tf.float32, shape=[None, 3]) Y = tf.placeholder(tf.float32, shape=[None, 1]) W = tf.Variable(tf.random_normal([3, 1]), nam..

tf.variable() var1 = tf.Variable([5]) var2 = tf.Variable([10]) var3 = tf.Variable([3]) var4 = var1 * var2 + var3 print(var4) 이상한 값이 나온다. variable은 텐서가 아니라 인스턴스일뿐이다. 따라서 해당 인터스턴스를 그래프에 추가 시켜줘야하 한다. var1 = tf.Variable([5]) var2 = tf.Variable([10]) var3 = tf.Variable([3]) var4 = var1 * var2 + var3 init = tf.global_variables_initializer() sess.run(init) print(var4) result = sess.run(var4) print(resu..

1. 그래프 만들기 import tensorflow as tf import tensorflow as tf를 통해 텐서플로를 import하게 되면 그 시점에 비어 있는 기본 그래프가 만들어지며, 우리가 만드는 모든 노드들은 이 기본 그래프에 자동으로 연결된다. 즉, 위의 명령어를 통해 우리는 텐서플로우가 만들어주는 빈 그래프을 얻게 되구 우리가 만드는 노드들이 그래프안에서 연결된다. a= tf.constant(3) // a라는 노드의 값이 '3'이라는 뜻이다. b= tf.constant(4) // b라는 노드의 값이 '4'이라는 뜻이다. 또한 만든 노드를 가지구 기본적인 연산이 가능하다. 정의한 노드 및 연산 그래프를 실행하려면 아래의 코드 처럼 세션(Session)을 만들고 실행하면 된다. import ..