이론 문제 1. - 2,3,4,5❓🤯

<aside> 💩 다음 중 linear regression 과 Multiple linear regression에 대한 설명으로 틀린 것을 모두 고르세요

  1. 독립 변수의 개수는?

  2. 가중치의 개수는?

  3. 각 독립변수, 종송변수 간의 관계는?

  4. 선형 회귀 계산 식을 행렬을 이용하여 [A,B]*[C,D]=[E,F]로 표현할 때 B의 값은? 여기서 [A,B]는 입력 행렬, [C, D]는 가중치 행렬, [E, F]는 출력 행렬이다. 😂이게뭐에요? ⚡ 추가 : [M, N]는 크기가 M×N인 행렬이라는 뜻이다

  5. 4번 행렬에서 B와 C의 관계는?

</aside>

Multiple linear regression linear regression
1 여러 개⭕ 1 개⭕
2 feature 수만큼⭕ 없다❌feature수만큼 이므로 1개
3 비선형❌선형일수도 있고. 아닐수도 있다 선형⭕
4 여러 개❌ 아래 참조 1개⭕???
5 B ≠ C❌ - 행렬 곱 조건에 의해 무조건 B = C B == C⭕

4번 보기에서 행렬식이 Y = wX+b 이런식인데, b가 없다고 가정하면 비슷한 꼴이 나온다 근데 Y=[E,F], w = [A,B], X = [C,D] 라고 본다면 B는 가중치의 2번째 원소라고 할 수 있다(?) 가중치의 dimension은 feature의 개수와 동일하기 때문에, feature가 하나인 linear regression은 B가 존재할 수 없고, Multiple linear regression 또한 하나의 원소이기 때문에 1개이다.

만약에 feature가 백터 형태로 주어지면(예를 들자면 길이 특성이 아니라, 도미 이미지 파일 같은 다차원의 행렬로 주어지면), 가능하지 않을 까...

5번 또한 관계 없으므로 거짓

사실 4번 문제 이해 잘 못한것 같습니다🙄

선형 회귀 - 위키백과, 우리 모두의 백과사전

이론 문제 2. 평가지표 - 4

<aside> 💩 다음 중 머신러닝, 딥러닝에서 중요하게 쓰이는 평가 지표에 대한 설명으로 틀린 것을 골라주세요

  1. 모델의 성능을 평가하기 위해선 실제 값과 모델에 의해 예측된 값의 차이를 구해야 하는데 여기서 차이가 작아지는 방향으로 학습을 시켜야한다.⭕

  2. MSE : 제곱을 하는 방식을 사용하는데 이 때문에 오차에 대해 좀 더 민감하다 ⭕

  3. R2 결정계수 : 오차와 R2 결정계수는 비례한다⭕

  4. MAE : 결과 값에 따라 직관적으로 증감을 쉽게 알 수가 있다.❌어디로 편향된지 모름

</aside>

실습문제 3. - ✅

import matplotlib.pyplot as pl
import pandas as pd

[W, B] = [2, 125]

df = pd.DataFrame({
  'Month':[  1,   3,   5,   7,   9,  11],
  'Stock':[130, 128, 132, 140, 153, 150],
})

df['StockExp'] = W * df['Month'] + B
df['SE'] = (df['Stock']-df['StockExp'])**2
MSE = df['SE'].mean()

for data in df.to_numpy():
  print(data[0], "월 주가 =", str(data[1])+",", "예측 주가 =", data[2])
print("최종 mse:", MSE)
print("12월 예상 주가 :", W * 12 + B)

pl.scatter(df['Month'].to_numpy(), df['Stock'].to_numpy(), c='r')
pl.plot([1, 12], [127, W*12+B])
pl.xlabel('Month')
pl.ylabel('Stock')
pl.show()

Untitled

Untitled

이론문제 4. - 4

<aside> 💩 Ridge , Lasso 에 대한 설명으로 옳은 것을 고르세요

  1. Regularization 중 Ridge, Lasso말고 흔하게 부르는 다른 이름은?
  2. 변수 사이의 상관 관계가 높은 데이터 일수록 예측력이~?
  3. 잔차제곱합을 사용하나?(잔차제곱합 = MSE)
  4. 방향성?
  5. 과대적합 과소적합

</aside>

Ridge Lasso
1 L1 Regularization❌L2 L2 Regularization❌L1
2 낮다❌좋은성능 높다❌낮은성능
3 한다⭕ 안한다❌
4 학습에 영향을 주지 않는 가중치를 0에 가깝게 한다⭕ 학습에 영향을 주지 않는 가중치를 0에 수렴하게 하여 bias를 크게 한다.⭕
5 과대적합 방지 O 과소적합 가능성 ⬆️❌ 과대적합 방지 O 과소적합 가능성 ⬇️❌

5번 과소적합과는 관계없는 모델입니다. 릿지 라소는 과대적합을 방지하기 위한 모델일 뿐...??