기본 콘텐츠로 건너뛰기

[Deep Learning-딥러닝] 회귀 - Regression


회귀 - Regression


잡음(Noise)이 있는 학습 샘플로부터 규칙을 찾아 연속된 값의 출력(실수형 데이터)을 추정하는 것을 회귀라고 합니다. 회귀는 입력에 대해 출력이 연속적인 값이며, 회귀 곡선을 그어주고 새 입력에 대해 출력을 추정합니다(판매, 주가 예측 등). 회귀 학습은 지도학습 입니다.
잡음이 없는 샘플일 경우 출력이 회귀 곡선 위에 있고, 잡음이 있는 샘플은 위 그림처럼 출력과 회귀 곡선에 어느정도 차이가 있습니다.

단순 선형 회귀


단순 선형 회귀는 하나의 독립 변수 x의 차수가 1이면서 종속 변수 y와 선형 관계를 모델링 하는 회귀분석 기법입니다. 단순 선형 회귀의 목적은 데이터를 가장 잘 표현하는 추세선을 찾는거 입니다. 이는 Error를 최소로 하는 w와 b를 찾는거와 같습니다.
w를 함수 f(x)의 계수(coefficient)이고 b와 함께 이 단순 선형 회귀의 모수(parameter)라고 합니다.
위 수식은 다음과 같이 표현할 수 있습니다.

다중 선형 회귀


다중 선형 회귀는 한 개 이상의 독립 변수 x의 차수가 1이면서 종속 변수 y와 선형 관계를 모델링 하는 회귀분석 기법입니다. 독립변수 별 가중치가 있고 편차는 한 개 정의합니다.

역전파

학습 모델의 결괏(예측)값 텐서의 합과 목푯값(정답)과의 거리(Error 또는 Loss)를 구하고, 그 값에 대해 backward() 함수를 사용하여 기울기를 구합니다. 이때 에러(손실)값은 스칼라로 표현되어야 합니다.
확률적 경사하강법(SGD - Stochastic Gradient Descent)을 통해 최적화해 보겠습니다.
이와 같이 구한 각 파라미터의 기울기(편미분)에 대해서 경사하강법을 사용하여 에러를 줄여날갈 수 있습니다.

다중 선형 회귀의 기하학적 해석

  1. w와 b를 가지고 선을 그음.
  2. 두 개의 입력, 하나의 출력으로 평면의 방정식과 동일함.
변수가 하나 추가될 때 마다 차원이 하나씩 추가된다. 직선->평명->초평면

MLP에서 선형 함수의 한계점

선형함수를 활성화 함수(Activation Function)로 사용하면 은닉층(Hidden Layer)의 효과가 없어집니다. 즉 수학적으로 은닉 층이 없는 단층 신경망과 같습니다.

은닉 계층의 역할

입력 계층에서는 선형회귀로 표현이 어렵게 분포되어 있는 샘플을 은닉계층에서 비선형 활성함수를 적용해서 샘플의 배치가 선형적으로 표현하기 쉽도록 변경됩니다. 이런 은닉층이 늘어날 수록 더 많은 꺽임을 표현할 수 있습니다.

감사합니다.

Source

  • 단순 선형 회귀
  • 다중 선형 회귀
https://github.com/ynebula/Deep_Learning/blob/master/Regression/Multi_Linear_Regression.ipynb
https://github.com/ynebula/Deep_Learning/blob/master/Regression/Multi_Linear_Regression_Class.ipynb
https://github.com/ynebula/Deep_Learning/blob/master/Regression/Multi_Linear_Regression_Pytorch.ipynb


Reference
  • Fast Campus
  • Pytorch로 시작하는 딥 러닝 입문
  • 김기현의 자연어 처리 딥러닝 캠프
라벨:

댓글

댓글 쓰기

이 블로그의 인기 게시물

[Deep Learning-딥러닝] 신경망 구조

뉴런 표현 및 연산 방법 생물학의 신경 세포를 단순화하여 모델링 한것이 뉴런입니다.  뉴런은 신경망의 기본 단위 입니다. 뉴런은 여러 신호를 받아, 하나의 신호를 만들어 전달하는 역할을 합니다. 출력을 내기 전에 활성 함수(activation function)을 통해서 비선형 특성을 가할 수 있습니다. 뉴런 연산 방법은 다음과 같습니다. 두 벡터  가중치 weight와 입력 x의  내적 을 구한 후 모두 합한다. 편향을 더합니다.  편향이 없으면, 추세선은 원점을 꼭 지나야 합니다. 활성 함수를 적용 해 비선형 함수로 만듭니다. 두 벡터의 내적은 다음과 같이 표현할 수 있습니다. 두 벡터의 내적 FC(Fully Connected) Layer Matrix 곱셈 연산 표현 방법 뉴런이 모인 한 단위를 계층(Layer)라고 하며, 이전 계층과 다음 계층의 모든 뉴런이 서로 연결된 계층을 Fully-Connected Layer(Dense Layer)라고 합니다. N개의 입력, M개의 출력이 있는 네트워크 예제입니다. 매트릭스  W 의  w 0 는 (N*1)의 벡터이며, 이런  w 0 를 M개 나열되어 있습니다. 입력  x 는 N개라 행렬로 표현하면 (N*1)로 표현됩니다. 가중치를 transpose하여 (M*N)*(N*1)을 연산하여 출력은 (M*1) 형태가 됩니다. 얕은 신경망 - Shallow Neural Network 구조 얕은 신경망 - Shallow Neural Network 입력, 은닉, 출력 3개의 계층으로 되어 있으며, 은닉 계측과 출력 계층이 Fully Connected 계층인 모델을 얕은 신경망(Shallow Neural Network)라고 합니다. 입력 계층(Input Layer) 아무런 연산 없이 은닉계층으로 값을 전달함. 계층의 크기=Node의 개수=입력 Scalar의 수=입력 Vecto...
댓글 쓰기
자세한 내용 보기

SentencePiece 설치 및 사용법

Jupyter notebook 사용 기준으로 설치 및 사용법을 설명합니다. Sentencepiece 특징 및 기능 설명은 다음 사이트에서 참고 바랍니다. https://sungwoony.blogspot.com/2020/04/sentencepiece.html one-sentence-per-line raw corpus file.  tokenizer, normalizer 또는 preprocessor를 실행할 필요가 없습니다. Default로, Unicode NFKC로 SentencePiece input을 정규화 합니다.  설치방법 VM환경에 pip library가 설치되어 있어야 하며, 다음 명령어를 수행하면 설치됩니다. pip install sentencepiece 사용법 Sentencepiece library import setencepiece를 import해야 하며 관례적으로 spm으로 사용합니다. Train SentencePiece Model from corpuse botchan.txt 파일을 다음 사이트에서 다운로드 받을 수 있습니다. https://github.com/google/sentencepiece/blob/master/data/botchan.txt --mode_type의 기본은 uni type입니다. --model_type에 bpe를 넣으면 bpe 타입으로 생성됩니다. Train이 완료되면 "m.uni.model"과 "m.bpe.model" 이 생성됩니다. 둘 의 차이점은 다음에 확인할 수 있습니다. Option Name Description input 파일목록은 쉼표로 구분합니다. model_prefix output model로 prefix. <model_name>.model과 <model_name>.vocab 이 생성됩니다. vocab_size vocabulary size, e.g.. 8000, 16000, o...
댓글 쓰기
자세한 내용 보기

[Deep Learning-딥러닝]SRU(Simple Recurrent Unit)

SRU(Simple Recurrent Unit) SRU는 병렬화와 시퀀스 모델링이 가능한 light recurrence한 unit입니다. 기존 RNN Architecture(RNN, LSTM, GRU)는 previous time step에 대한 의존성 때문에 병렬처리가 불가능하여 학습 속도가 느렸습니다. 이런 단점을 SRU는 높은 병렬화 및 시퀀스 모델링 기능을 제공하여 학습시간 단축시켰습니다. SRU는 분류, 질의응답에서 cuDNN-optimized LSTM보다 5~9배 빠른 속도를 보였고, LSTM과 convolutional models보다 좋은 성능을 보였습니다. 특징 SRU의 state연산은 time-dependent이지만, 각 state 차원은 independent입니다. 이것은 hidden dimension과 time steps에서 병렬화 연산하는 CUDA-level optimization으로 병렬 처리 가능합니다. SRU는 convolutions을 더 많은 recurrent 연결로 대체하였습니다(QRNN과 KNN과 같이). 이건 적은 연산으로 모델링을 유지합니다. SRU는 highway connection방법과 deep architecture에서 gradient전파에 맞게 조정된 매개 변수 초기화 체계를 사용하여 deep recurrent models training을 개선합니다. 연산방법 SRU는 forget gate, state, reset gate, hidden state 연산을 수행합니다. Light recurrence (1, 2번 수식) Forget gate: 정보 흐름을 제어 State: 이전 state와 현재 입력을 forget gate에 따라 조정 특징 - 문자열 정보를 위해 input x와 state c를 연산 - 이전 state에 영향을 받음 - 병렬처리를 위해 matrix multiplication 대신 point-wise multiplication 연산 수행 Highway network (3, 4번 수식) Hidden ...
댓글 쓰기
자세한 내용 보기