tf.keras.models.Sequential() : 모델 생성
Flatten(input_shape=(28,28) : 28x28 크기의 평면의 점으로 만들어진 사진을 784개의 일차원 직선 점 집합으로 변환
tf.keras.layers.Dense(노드 개수, activation='활성함수') : 층 생성
소프트맥스(Softmax)는 큰 값은 더 큰 비중을 주고, 작은 값은 더 작은 비중을 가지게 한다. 이런 특징은 지수 함수 f(x)=e^x 의 특징을 그대로 계승한다.
만들어진 신경망의 성능을 평가
<성능 표시 지표>
1. 정확도(accuracy) : 얼마나 정확하게 값을 예측하는가
2. 손실 정도(loss value) : 최종 결과에서 확률값이 얼마나 정답에 가까운지
선형 회귀
회귀 분석은 프랜시스 골턴(Francis Galton)이 '평균으로의 회귀(regression to the mean)' 현상을 설명하기 위해 만든 것으로 부모와 아이의 키를 측정했을 때 일시적으로 자손 대에서 극단적인 값이 나오더라도 그다음 세대들을 거쳐 가면서 전체적으로는 평균에 가까워지는 현상을 말합니다.
평균으로 회귀하는 경향성을 본 골턴이 이를 설명하기 위해 사용한 것이 회귀 분석입니다.
이진 분류
대표적인 알고리즘 : 로지스틱 회귀
S자 곡선의 다른 수식으로 표현하여 사용됨
일반적으로 로지스틱 회귀는 시그모이드 함수를 활성 함수로 사용함
loss='binary_crossentropy' -> 0 또는 1로 나오게 하는 손실 함수
다중 분류
-다중 선형 회귀
-다중 클래스 분류
다중 선형 회귀를 이용한 차량 연비 예측
차량 연비 회귀 계산
정규화 : 모든 데이터 값의 범위를 0에서 1로 옮깁니다
표준화 : 평균만큼 이동한 후 표준편차로 나눠서 데이터의 중심이 표준정규분포 N(0,1)을 따르게 해줍니다
-> 함수의 기울기(미분값)로 알 수 있다
기울기가 크다 : 최솟값에서 멀리 떨어져 있다는 의미
기울기가 작다 : 최솟값에 근접했다는 의미
아직 완료되지 않은 연구 주제, 체계화되어 있지 않은 분야, 정답은 아무도 모른다
1. 경사 하강법과 하이퍼 파라미터 최적화