인공지능 머신러닝 - 단순 선형 회귀 모델(Simple Linear Regression)

선형 회귀(Linear Regression)

종속 변수 y와 한 개 이상의 독립 변수 X와의 선형 상관 관계를 모델링하는 회귀 분석 기법
- 독립 변수가 한개면 단순 선형 회귀, 두개 이상이면 다중 선형 회귀
데이터를 수집해 분포를 만족하는 직선을 찾으려하는 것
- 알려지지 않은 파라미터는 데이터로부터 추정

선형 회귀 함수는 직선이기 때문에 일차 함수로 표현
- y= ax + b (a=기울기, b=절편)

값의 추정 방법으로는 일반적으로 최소제곱법(OLS:Ordinary Least Squares) 사용
- 다른 기법으로도 선형 회귀 모델링 가능
- 최소제곱법이 가장 단순하고 계산이 간단해서 많이 사용
- 최소제곱법을 사용하여 예측된 값이 제곱의 합을 최소화하는 것을 목표
- 최소제곱법의 종류

SSE(Sum of Squares Error)	제곱의 합
MSE(Mean Squared Error)	제곱의 합의 평균
MAE(Mean Absolute Error)	절대값의 합의 평균
RMSE(Root Mean Squared Error)	제곱의 합의 평균에 루트를 씌운 값

선형 회귀를 사용하는 이유

알려지지 않은 파라미터에 대해 선형 관계를 갖는 모델을 세우는 것이 비선형 관계를 갖는 모델을 세우는 것보다 용이하기 때문

선형 회귀 모델링

선형 예측함수를 사용하여 알려지지 않은 파라미터는 데이터로부터 추정하는 것

라이브러리 호출

from sklearn.linear_model import LinearRegression
# 선형 회귀 라이브러리 호출

from sklearn.model_selection import train_test_split
# 데이터셋 분리를 위한 라이브러리 호출

from sklearn.metrics import confusion_matrix
# 성능 검사를 위한 라이브러리 호출

인공지능 학습

학습 : 모든 관측점(Observation)에서의 y값의 오차(error)가 존재하고, 이 오차들의 총 합을 줄여 나가는 과정
regressor = LinearRegression() : 인공지능 regressor 생성(모델링)
regressor.fit(X_train, y_train) : 학습 데이터를 대입하여 인공지능 학습
- 주의 : 인공지능 학습하는 함수인 fit함수는 2차원으로 넣어야 동작
예시에 쓰일 X, y 데이터
- X는 학습시킬 데이터이므로 2차원 배열로 변경
- y는 결과값이므로 2차원 배열로 변경 할 필요 없음