선형 회귀 및 로지스틱 회귀 소개
선형 회귀와 로지스틱 회귀는 통계 및 기계 학습 분야의 두 가지 기본 기술입니다. 유사한 이름에도 불구하고 서로 다른 목적으로 사용되며 서로 다른 시나리오에서 사용됩니다 복합기렌탈.
이 블로그 게시물에서는 선형 회귀와 로지스틱 회귀의 개념 , 차이점 및 응용 프로그램을 살펴보겠습니다 .
선형 회귀 이해:
선형 회귀는 관측된 데이터에 선형 방정식을 적용하여 종속 변수와 하나 이상의 독립 변수 간의 관계를 모델링하는 데 사용되는 통계 방법입니다. 선형 회귀 모델의 기본 형태는 다음과 같이 표현됩니다.
Y = β0 + β1X1 + β2X2 + … + βnXn + ε
여기서 Y는 종속변수, X1, X2, …, Xn은 독립변수, β0은 절편, β1, β2, …, βn은 계수, ε은 오차항입니다. 선형 회귀의 목표는 관측값과 예측값 간의 차이 제곱합을 최소화하는 가장 적합한 선을 찾는 것입니다.
기계 학습 소개
디지털 시대에 데이터는 전례 없는 속도로 생성되고 있으며, 그 가치는 엄청납니다. 그러나 데이터의 엄청난 양과 복잡성으로 인해 의미 있는 통찰력을 수동으로 추출하는 것이 어려운 경우가 많습니다.
이것이 바로 머신러닝이 작동하는 곳입니다. 이는 컴퓨터가 명시적으로 프로그래밍하지 않고도 데이터로부터 학습하고 예측 또는 결정을 내릴 수 있도록 하는 컴퓨터 과학과 통계의 교차점에 있는 혁신적인 분야입니다.
기본적으로 기계 학습은 데이터로부터 패턴과 관계를 학습한 다음 해당 지식을 사용하여 예측이나 결정을 내릴 수 있는 알고리즘을 만드는 것입니다.
이러한 알고리즘을 통해 컴퓨터는 경험을 통해 “학습”하고, 시간이 지남에 따라 성능을 향상시키며, 사람의 개입 없이 새로운 데이터에 적응할 수 있습니다.
머신러닝은 크게 세 가지 유형으로 분류할 수 있습니다.
지도 학습: 지도 학습에서 알고리즘은 레이블이 지정된 데이터 세트에서 훈련되며, 여기서 각 예는 올바른 출력과 쌍을 이룹니다. 목표는 입력에서 출력으로의 매핑을 학습하여 알고리즘이 보이지 않는 새로운 데이터에 대해 예측할 수 있도록 하는 것입니다. 일반적인 지도 학습 작업에는 회귀(연속 값 예측) 및 분류(이산 레이블 예측)가 포함됩니다.
비지도 학습: 비지도 학습에서는 알고리즘에 레이블이 지정되지 않은 데이터 세트가 제공되고 데이터 내에서 숨겨진 패턴이나 구조를 찾는 작업을 수행합니다. 지도 학습과 달리 사전 정의된 출력 레이블이 없으며 알고리즘은 자체적으로 기본 관계를 검