[머신러닝-Tensorflow]Lec-09 Logic Classfication 가설 함수 정의

1. Logic Classfication Algorigm 특징

1) 정확도가 상당히 높으므로 Nerural Network에 매우 중요한 Component

2) 학습을 한다는것은 Data를 최소화 하여 Cost에 Weight를 최소화 한다는것이다.

3) 2차원 그래프에서 U자 그래프가 나타나는것은 그래프에 가장 가까이 분포 되어있는것을 나타낸다. 이점을 따라서 내려가다보면 가장 최솟값(최소점)을 나타낼 수 있다. 

4) Cost의 값을 미분한 값은 그 그래프의 기울기를 나타낸다.

2. Regression VS Classfication

1)regression 은 숫자 예측

2)Classfication 는 binary - 둘중 하나의 카테고리를 고른다

Ex) SPAM Detection : SPAM or HAM

Facebook classfication algorigm using -> 어떤것은 보여주고 어떤것은 보여주지 말지

Credit Card Fradulent -> 도난시

이것들을 ML적으로 learning 시키기위해서 0, 1 (t,f) 로 나누어서 본다.

Example - 1

Study time - 1 hours ,2 hours nonpass

5hours, 50 hours pass 를 시키는 경우가 있을때, Linear regression 을 사용하게 되면 제대로된 값을 도출 시킬 수 없음, 기울기가 기울어 지기 때문에 따라서, 선이 기울어 진다면, 제대로된 값을 도출 시킬 수 없음.

Example - 2

1~50시간 학습 -> model X = 1~50

prediction을 위해서 X = 100

H(x) = Wx+b 보다, 다른방법으로 위의 모델을 0~1의 모델로 압축을 시켜주는 함수가 없을까?

바로 밑의 함수를 활용한다. g(z)

3. 요약하기

Logistic classfication hypothesis 의 결과 도출