2. How does Supervised Learning work?

이 카테고리는 Standford Univ. Andrew Ng 교수님의 Machine-Learning 강의를 듣고

개인 복습을 위해 작성한 포스트 입니다. 

---

3-1. Notation (표기법) 

m	data set number (데이터 개수)
x	"input" variable / features
y	"output" variable / "target" variable
( x , y )	one training example
( x(i) , y(i) )	i 번째 training example

 

3-2. How does the supervised learning work? (지도학습 작동 원리)

 

      training set (housing price)    

      ↓ feed

     Learning Algorithm      

 ↓ 

size of house (x) --------------> h (hypothesis) -------------> Estimated value of y

 

: Training set 데이터로 알고리즘을 학습시킨다. 

이 학습된 알고리즘을 hypothesis라고 부른다(function). 

이 학습된 알고리즘(hypothesis)를 이용해 test data set에서 y value 예측.

 

 

 

3-3. How do we represent h?

 

우리가 Learning Algorithm을 디자인할때

신경써야하는 한가지가 있다. 

 

그건 바로 h를 어떻게 표현할 것인가? 이다. 

(When Design a learning algorithm, what we have to decide is,

How Do We Represent h?)

 

* h(hypothesis)는 가설을 의미: 여기서는 선형함수를 예측하는 것으로 쓰임

 

---

hθ(x) = θ0​ + θ1x

      ㄴ> shorthand : h(x)

---

hθ(x) = θ0​ + θ1x : 단일변량 회귀를 나타내는 함수식

 

* 우리가 예측하려는 y가 연속적이라면 (ex- 집값, 나이), 우리는 이 학습문제를 회귀문제 라고 부른다.

  (When the target variable(y) that we're trying to predict is continuous, such in our housing problem, we call the learning problem a regression problem)

 

* y가 작은 수의 불연속적인(이산) 수라면 (ex- 거주지가 주택인지 아파트인지 예측하고 싶다면), 우리는 이것을 분류문제 라고 부른다.  

   (When y can take on only a small number of discrete values (such as, if given the living area, we wanted to predict if a dwelling is a house or an apartment, say), we call it a classification problem)