처음엔 0.22x + 0.78로 함수를 지정해놓고 거기에 맞는 랜덤한 점을 300개정도 찍어놨어
그런 다음에
ax+b 에서 a랑 b를 모르는 상황에서 a,b예측값이 실제값이랑 얼마나 차이나는가 계산하는거....
거기서 예측의 평균값이 실제값으로부터 얼마나 떨어져있는지 나타내는 비용함수가 나오는데 경사하강법을 사용하면 비용함수 값을 최소화할수 있대..
그런데 최소화하는게 이해가 안감.. 경사하강법 동작을 이해 못하겠어..
설명해줄사람?
이해 시켜줄 인재찾음.
경사하강법이 영어로머임
아 gradient descent인가보네
내가방금 짰는뎅~ ㅎㅎ 근데 ax+b는 least square problem으로 바로 구할수도 있고 수식으로 할튼 바로 나온다 gradient descent는 위키에 잘나와있음
f(a,b) = (니가만든 점 300개랑 ax+b랑 차이값 더한거), 그다음에 gradient f = (df/da, df/db) 구하고 시작은 (a0, b0)로 하고 (a(I), b(I)
) = (a(I-1), b(I-1)) - alpha * gradient f(a(I-1),b(I-1)) 로 계속 이터레이션마다 업데이트 해주는것임 적당한 상수 alpha 넣고
대학원생 정보는 고맙다 하지만 먼저 이해해 버렸다 비용함수를 square 로 구했다는걸 까먹고 미분을 안함 ㅋㅋ 최소값 구함!