[PyTorch] PyTorch로 시작하는 딥 러닝 입문(공부 메모) (04)

소스 : https://wikidocs.net/book/2788

PyTorch로 시작하는 딥 러닝 입문

 

04. 로지스틱 회귀(Logistic Regression)

두 개의 선택지에서 하나를 고르는 경우 등에 적용 가능하다.

예를 들어서 어떤 메일이 정상 메일인지 스팸 메일인지를 분류하는 경우에 적용 할 수 있다.

둘 중 하나를 결정하는 문제를 이진 분류(Binary Classification)라고 하고,

이 때 사용하는 대표적인 알고리즘이 로지스틱 회귀이다.

 

데이터 분석을 통해서 로지스틱 회귀 모델을 만드는 경우.

 

(구현 방법:Start)

 

0.1. 가설 수립 :

     H(x) = sigmoid(Wx + b) (x:값, H(x):결과값, sigmoid:시그모이드:로지스틱 회귀 함수, W:가중치, b:편향)

     속성정보로 결과값 예측

     가중치 : 그래프의 경사도

      편향 : (그래프를 좌우로 이동 시킨다.)

0.2. 비용함수 수립 : 평균제곱오차(MSE:Mean Squared Error)

     예측값들과 실제값들을 비교하여 그 차이를 계산한다.

0.3. 옵티마이저 선택 : 경사하강법(GD:Gradient Descent), lr(Learning-Rate)

     비용을 최소화 하기 위해 W와  b를 lr 만큼 조정한다.

 

04. 학습 횟수 : epochs

 

1. 데이터 준비 : 훈련용 Data, 검증용 Data, 테스트용 Data

    x_train : 샘플의 속성들로 구성

    y_train : 결과의 실제 값

 

2. 가설 변수 초기화

   W, b, lr, epochs

 

3. 학습 횟수 만큼 반복 학습

3.1. 가설에의해 결과값 예상 : x_train, W, b -> hypothesis

     prediction = hypothesis >= FloatTensor([0.5])

3.2. 비용함수로 비용 계산 : hypothesis, y_train -> cost

3.3. 옵티마이저로 학습 : cost, lr, W, b -> (new)W, b

 

4. 학습 결과 : W, b

 

5. 검증 : 검증용 Data 사용

5.1. 학습 결과의 W, b를 적용한 가설 함수로 결과값 예측

5.2. 검증용 Data의 실제값과 비교

5.3. 비교 결과 추가 학습 여부 판단.

 

6. 테스트 : 테스트용 Data 사용

6.1. 검증된 W, b를 적용한 가설 함수로 결과값 예측

6.2. 테스트용 Data의 실제값과 비교

6.3. 성공 여부 판단

 

(구현 방법:End)

 

(용어)

 

(참고)

https://tutorials.pytorch.kr/beginner/blitz/tensor_tutorial.html

텐서(Tensor) — PyTorch Tutorials 1.10.2+cu102 documentation