일 | 월 | 화 | 수 | 목 | 금 | 토 |
---|---|---|---|---|---|---|
1 | 2 | 3 | 4 | 5 | ||
6 | 7 | 8 | 9 | 10 | 11 | 12 |
13 | 14 | 15 | 16 | 17 | 18 | 19 |
20 | 21 | 22 | 23 | 24 | 25 | 26 |
27 | 28 | 29 | 30 | 31 |
Tags
- 가상머신
- Kali
- 리눅스
- Python 기초
- Language Intelligence
- linux
- Machine Learning
- Visual Intelligence
- ML
- 설정
- server
- vue
- representation learning
- 운영체제
- 머신러닝
- vmware
- 텐서플로우
- 관리
- TensorFlow
- 시퀸스 자료형
- Python
- 칼리
- vuejs
- 설치
- centOS
- Network
- python 설치
- 선형회귀
- xshell
- Windows
Archives
- Today
- Total
homebody's blog
[Python][TensorFlow] 05. 다중 선형 회귀(Multi-variable Linear Regression) 본문
Python/TensorFlow
[Python][TensorFlow] 05. 다중 선형 회귀(Multi-variable Linear Regression)
homebody 2019. 6. 21. 22:16TensorFlow(Multi-variable Linear Regression)
Hypothesis
Cost function
Multi -variable
- 변수의 개수가 적을 때는 수식을 그냥 전개해도 불편하지 않지만 변수의 개수가 아주 많이 증가하게 된다면 전부 전개하는 방식은 불편하다. 그래서 Matrix가 필요하다.
Matrix
- 표기를 위해서 Matrix multiplication을 사용한다.
H(X) = XW
Matrix를 사용할 때는 X를 W앞에 쓴다. Matrix를 곱셈 연산할 때는 앞에 있는 행과 뒤에 있는 열을 연산하기 때문이다.
Hypothesis using matrix
-
Matrix 연산에서는 앞에 있는 Matrix의 열과 뒤에 있는 Matrix의 행의 개수가 같아야 연산이 가능하다.
-
Matrix를 쓰는 이유는 데이터의 개수가 아무리 많더라도 표현식이 바뀌는 것은 없기 때문에 간편하게 사용할 수 있다.
-
Weight의 크기는 입력 데이터의 변수 개수와 출력 개수로 정해진다.
'Python > TensorFlow' 카테고리의 다른 글
[Python][TensorFlow] 07. Logistic Regression/Classification의 소개 (0) | 2019.06.23 |
---|---|
[Python][TensorFlow] 06. 다중 선형 회귀 TensorFlow 구현(Multi-variable Linear Regression) (0) | 2019.06.22 |
[Python][TensorFlow] 04. 선형회귀와 비용을 최소화 하는 방법 (0) | 2019.06.19 |
[Python][TensorFlow] 03. 선형회귀 TensorFlow로 구현 (0) | 2019.06.18 |
[Python][TensorFlow] 02. 간단한 선형 회귀(Simple Linear Regression) (0) | 2019.06.18 |
Comments