(머신러닝) 2 - Linear Regression

Linear Regression (선형회귀)은 데이터 패턴과 비슷한 선형함수를 구하는 일이다. 물론 모든 데이터가 linear하지는 않다. 이런 경우에는 몇 가지 테크닉을 사용해 linear regression 으로 문제를 풀 수 있다.

Linear Regression with One Variable(단변수 선형)회귀는 1개의 input(x)이 들어왔을 때 1개의 output(y)을 예측하는 모델을 구하는 문제이다. Linear Regression은 지도학습(supervised learning)에 해당하는 문제이다.

 

1. Hypothesis Function

---

Hypothesis Function이란 주어진 데이터들의 관계식을 나타내는 함수이다. input이 한 개 인 경우의 Linear Regression 의 hypothesis function의 형태는 다음과 같다.

$$\hat { y } = { h }_{ \theta }(x) = { \theta }_{ 0 }+{ \theta }_{ 1 }x$$

위는 고등학교 때 배운 1차함수식이다. model이 주어진 훈련 dataset을 얼마나 작은 오차로 잘 표현하는지는$$\theta_{0}$$(offset) 와$$\theta_{1}$$ (기울기)의 값에 달려있다.$$\theta_{0}$$ 와 $$\theta_{1}$$은 모델을 결정하는 인자로서 parameter라고 한다.

 

regression은 결과를 피드백 해주어 함수의 parameter값을 최적화 하는 방법이다. 결국 $$\theta_{0}$$와$$\theta_{1}$$ parameter들의 best 값을 찾아가는 일이다. 위 그림에서 데이터를 가장 잘 따르는 parameter는$$\theta_{0}=1$$ ,$$\theta_{1}=\frac{1}{2}$$ 이다. 어떤 parameter가 좋은 모델을 만드는지 평가할 수 있는 지표가 필요한데 그것이 바로 cost function이다.

 

 

2. Cost Function

---

모델과 훈련 dataset 사이의 오차를 나타내주는 함수가 바로 Cost Function이다. Cost Function은 수식적으로 어떻게 표현되는지 보자.

$$J({ \theta }_{ 0 },{ \theta }_{ 1 })\quad =\quad \frac { 1 }{ 2m } \sum _{ i=1 }^{ m }{ { ({ \hat { y } }_{ i }-{ y }_{ i }) }^{ 2 }\quad } =\quad \frac { 1 }{ 2m } \sum _{ i=1 }^{ m }{ { ({ h }_{ \theta }({ x }_{ i })-{ y }_{ i }) }^{ 2 } } \quad =\quad \frac { 1 }{ 2m } \sum _{ i=1 }^{ m }{ { ({ \theta }_{ 0 }+{ \theta }_{ 1 }{ x }_{ i }-{ y }_{ i }) }^{ 2 } }$$

여기서 m은 훈련시킨 데이터의 총 갯수(size of the training data set)이다. 간단히 말해서 error = 예측값 – 데이터의 결과값 이라고 했을때 모든 training data sample에 대해서 error의 제곱을 더한 값 $$\sum error^{2}$$ 을 총 훈련 데이터의 갯수 m으로 나눠서 평균값을 구한것이(사실 m이 아니라 2m으로 나누지만) cost function이다. cost function의 크기가 작을수록 실제와의 오차가 작은 모델이다. m이 아닌 1/2m로 나누는 이유는 나중에 미분을 하였을 때 튀어나오는 2를 없애고 수식을 조금이나마 더 간단히 하기위함이다.

위 그림에는 5개의 데이터 set이 있다. 예측값과 실제 결과값 사이의 에러를 e1, e2, e3, e4, e5라 했을 때 각각의 차이의 제곱을 모두 더한 값이 cost값이다. 이 cost값은$$\theta_{0}$$ 와$$\theta_{1}$$ 에 의해 변한다. 아까 말한 linear regression 방법을 써 최적의 $$\theta_{0}$$ 와$$\theta_{1}$$ 을 찾을 수 있다.

 

 

3. Gradient Descent

---

Gradient Descent라는 것은 어떠한 함수가 최소값을 가지게하는 point를 찾아가는 일종의 수학 테크닉이다.이 gradient descent를 통해서 cost function이 최소가 되게하는$$(\theta_{0},\theta_{1})$$을 구할 수 있다.

graident descent의 기본적인 idea는 어떠한 함수의 gradient가 가지는 성질중 한 가지로부터 기인한다. cost function J는$$\theta_{0}$$ 와$$\theta_{1}$$ 의 함수이다. 이 함수의 gradient는 다음과 같다.

$$\triangledown J({ \theta }_{ 0 },{ \theta }_{ 1 })\quad =\quad (\frac { \partial J }{ \partial { \theta }_{ 0 } } ,\frac { \partial J }{ \partial { \theta }_{ 1 } } )$$

어떠한 함수의 gradient는하나의 vector이다. gradient 벡터의 특징은 그 좌표에서 함수가 가장 빠르게 증가하는 방향을 가르킨다.

cost function J의 gradient를 이용하여 J가 줄어드는 방향으로$$(\theta_{0},\theta_{1})$$ 을 움직여 새로운$$(\theta_{0},\theta_{1})$$ 을 얻으려 한다. 이 때 새로운$$(\theta_{0},\theta_{1})$$ 은 다음과 같이 결정된다.

$$({ \theta }_{ 0 },{ \theta }_{ 1 }) := ({ \theta }_{ 0 },{ \theta }_{ 1 })- \alpha \triangledown J({ \theta }_{ 0 },{ \theta }_{ 1 }) = ({ \theta }_{ 0 }-\alpha \frac { \partial J }{ \partial { \theta }_{ 0 } } , { \theta }_{ 1 }-\alpha \frac { \partial J }{ \partial { \theta }_{ 1 } } )$$

이 식에 의해 계산된 새로운$$(\theta_{0},\theta_{1})$$ 는 gradient 벡터의 성질때문에 cost function이 작아지는 방향으로 이동한다. 이해를 돕기위해 다음 그림을 보자.

적당한 alpha라는 factor를 곱하여 기울기의 반대방향으로 이동시키면 점의 위치는 local minimum 방향으로 이동하게 된다. 어떤$$(\theta_{0},\theta_{1})$$ 을 잡아도 위의 공식에 따르면 local minimum의 방향으로 움직이게 된다. 이 작업을 cost function의 값이 수렴할 때 까지 충분한 횟수로 반복해주면 되는것이다.

이 때 alpha가 너무 작으면 반복횟수가 커져야하고 학습속도가 느려진다. alpha가 너무 크면 진동하는 경향이 커져 수렴하지 못할 수가 있다. alpha는 학습속도를 결정하므로 learning rate라고 부른다.

다시 위에서 나온 식을 마저 정리해보자. J의$$\theta_{0}$$ 와$$\theta_{1}$$ 에 대한 편미분은 위의 hypothesis function과 cost function의 식을 적용해서 구하면 다음과 같이 정리된다.

 

$$\frac { \partial J }{ \partial { \theta }_{ 0 } } \quad =\quad \frac { 1 }{ m } \sum _{ i=1 }^{ m }{ { ({ \theta }_{ 0 }+{ \theta }_{ 1 }{ x }_{ i }-{ y }_{ i }) } } \quad =\quad \frac { 1 }{ m } \sum _{ i=1 }^{ m }{ { ({ h }_{ \theta }({ x }_{ i })-{ y }_{ i }) } }$$

$$\frac { \partial J }{ \partial { \theta }_{ 1 } } \quad =\quad \frac { 1 }{ m } \sum _{ i=1 }^{ m }{ { ({ \theta }_{ 0 }+{ \theta }_{ 1 }{ x }_{ i }-{ y }_{ i })\cdot }{ x }_{ i } } \quad =\quad \frac { 1 }{ m } \sum _{ i=1 }^{ m }{ { ({ h }_{ \theta }({ x }_{ i })-{ y }_{ i })\cdot } } { x }_{ i }$$

이 식을 적용하면 다음과 같은 최종식이 나온다.

$$({ \theta }_{ 0 },{ \theta }_{ 1 }) := ({ \theta }_{ 0 }-\alpha \frac { \partial J }{ \partial { \theta }_{ 0 } } , { \theta }_{ 1 }-\alpha \frac { \partial J }{ \partial { \theta }_{ 1 } } ) \= \ ({ \theta }_{ 0 }-\frac { \alpha }{ m } \sum _{ i=1 }^{ m }{ { ({ h }_{ \theta }({ x }_{ i })-{ y }_{ i }) } } ,{ \theta }_{ 1 }-\frac { \alpha }{ m } \sum _{ i=1 }^{ m }{ { (({ h }_{ \theta }({ x }_{ i })-{ y }_{ i }) } } { \cdot x }_{ i })$$

이 최종식을 적용하여$$\theta_{0}$$ 와$$\theta_{1}$$ 이 수렴할 때 까지 update를 해주면 데이터들에 가장 fit하는 모델의$$\theta_{0}$$ 와$$\theta_{1}$$ 이 나온다. alpha값이 고정되어있어도 local minimum에 접근할수록 기울기가 작아진다. 따라서 자동적으로 더 작은 step씩 이동하게되고 수렴할 수 있게 되는것이다.

 

 

4. Summary

---

Linear Regression withe One Variable의 내용을 정리해보자.

1) 1차함수 형태의 hypothesis function을 세우고 무작위로 $$\theta_{0}$$과 $$\theta_{1}$$을 set한다.

2) learning rate alpha를 정하고 위의 update식에 따라 model parameter($$\theta_{0}$$ $$\theta_{1}$$)을 반복 학습시킨다. 이를 gradient descent(경사하강법)이라고 한다.

3) $$J(\theta)$$가 수렴했으면 지금의 $$\theta_{0}$$와 $$\theta_{1}$$을 이 model parameter로 사용한다