머신러닝 & 딥러닝 #1_4 Gradient Descent 실습

Gradient Descent 실습을 진행하겠습니다.

구글 colab을 사용합니다.

numpy 패키지는 기존에 있는 라이브러리 함수를 가져오는 것입니다.

Machine()은 우리가 정의해줍니다.

Gradient()도 정의해줍니다.

Gradient()안에 Machine()이 들어갑니다. 이처럼 함수를 부품화해서 새로운 함수 정의에 사용하며 작업을 단순화 합니다.

Learning() 역시 Gradient() 함수를 부품화하고 있습니다.

Updated_w, Updated_b는 1번 학습된 Parameter 입니다.

w : 2 -> -1.3    b : 1 -> 0.5

이렇게 값이 변화했습니다.

데이터를 읽어오기 위해 또다른 라이브러리 함수 pandas 를 불러왔습니다.

matplotlib.pyplot 역시 라이브러리 함수로 수치를 시각화(그래프) 시킬 수 있습니다.

DATA.info() 를 보면 testData.csv는 5000행 2열의 데이터 구조를 띕니다.

DATA.head()를 통해 csv파일의 데이터 모습을 일부 볼 수 있습니다.

시각화된 모습

이번엔 주어진 데이터를 활용해 1500번 학습을 실행해봤습니다.

1500번 학습을 통한 w, b값으로 그린 함수입니다.

이게 y = w*x + b로 나타낼 수있는 Best Model 입니다.

하지만 그래프가 꺾어지면 더 정확해 질 것 같죠? 그래서 이 경우를 enough 하지 않은 모델이라고 합니다.

차수를 늘려 2차, 3차 함수로 만들면 MSE가 줄어들 것입니다.

다만 편미분, 계산량이 늘어납니다.

 

다음시간에는 enough한 모델을 찾기위한 방법을 알아보겠습니다.