[PYTHON - 머신러닝_캐글_모델]★선형 회귀 모델★

1. 선형 회귀 모델(Linear Regression)

https://knowallworld.tistory.com/371

[PYTHON - 머신러닝_선형회귀]★선형회귀★seaborn 타원만들기★모델 평가방법 RMSE , R**2★model.coef_(

==> 선형 회귀식을 활용한 모델이다.

 

==> 선형 회귀 모델을 훈련한다는 것은 훈련 데이터에 잘 맞는 모델 파라미터(회귀계수)를 찾는 것이다.

 

==> 여러가지 데이터를 연속형 변수인 목표 변수를 예측해 내는 것이 목적이다.

 

import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns

np.random.seed(0) # 시드값 고정

w0 = 5 # y 절편
w1 = 2 # 회귀 계수(쉐타)
noise = np.random.randn(100,1) # 노이즈 , 표준 정규분포를 따르는 데이터 100개를 생성하는 코드

x = 4 * np.random.rand(100, 1) # 0~4 사이 실숫값 100개 생성

y = w1 *x + w0 + noise # y = 2x + 5 에 근사하는 데이터
plt.scatter(x,y)

선형회귀 모델 데이터

 

from sklearn.linear_model import LinearRegression

linear_reg_model = LinearRegression() # 선형 회귀 모델
linear_reg_model.fit(x, y) # 모델 훈련

print('y절편(w0) :' , linear_reg_model.intercept_)
print('회귀계수(w1) : ' , linear_reg_model.coef_)

선형회귀 데이터

y절편값은 : intercept_

회귀계수는  : coef_

 

실제 y절편값 : 5 , 회귀계수값: 2 ==> 근사하게 예측하였다.

 

y_pred = linear_reg_model.predict(x) # 예측

plt.scatter(x,y)
plt.plot(x,y_pred) # 선형 회귀선 그리기

선형회귀선 그리기

2. 로지스틱 선형 회귀 모델(Logistic Regression)

 

https://knowallworld.tistory.com/372

[PYTHON - 머신러닝_로지스틱선형회귀]★로지스틱 선형회귀★상관관계★원-핫 인코딩★정확도★

 

==> 선형 회귀 방식을 응용해 분류에 적용한 모델

 

==> 스팸 메일일 확률을 구하는 이진 분류 문제에 로지스틱 회귀를 사용할 수 있다.

 

==> 로지스틱 회귀는 시그모이드 함수를 활용해 타깃값에 포함될 확률을 예측한다.

 

시그모이드 함수

x = np.arange(-6,6,.1)

y = 1/ (1 + np.exp(-x))

plt.plot(x,y)

시그모이드 함수

이진분류 문제에선 시그모이드 값(확률)이 0.5 보다 작으면 0(음성) , 0.5보다 크면 1(양성) 이라고 예측한다.

 

출처 : 머신러닝·딥러닝 문제해결 전략

(Golden Rabbit , 저자 : 신백균)

※혼자 공부용