5 텐서플로에서 실행하는 선형 회귀, 다중 선형 회귀 모델

우리는 머신 러닝의 기본인 선형 회귀에 대해 배우고 있습니다. 그런데 우리 목표는 딥러닝이지요. 2장에서 잠시 살펴보았지만, 앞으로 우리는 딥러닝을 실행하기 위해 텐서플로라는 라이브러리의 케라스 API를 불러와 사용할 것입니다. 따라서 지금까지 배운 선형 회귀의 개념과 딥러닝 라이브러리들이 어떻게 연결되는지 살펴볼 필요가 있습니다. 이를 통해 텐서플로 및 케라스의 사용법을 익히는 것은 물론이고 딥러닝 자체에 대한 학습도 한걸음 더 나가게 될 것입니다.

선형 회귀는 현상을 분석하는 방법의 하나입니다. 머신 러닝은 이러한 분석 방법을 이용해 예측 모델을 만드는 것이지요. 따라서 두 분야에서 사용하는 용어가 약간 다릅니다. 예를 들어 함수 y = ax + b는 공부한 시간과 성적의 관계를 유추하기 위해 필요했던 식이었습니다. 이렇게 문제를 해결하기 위해 가정하는 식을 머신 러닝에서는 가설 함수(hypothesis)라고 하며 H(x)라고 표기합니다. 또 기울기 a는 변수 x에 어느 정도의 가중치를 곱하는지 결정하므로, 가중치(weight)라고 하며, w로 표시합니다. 절편 b는 데이터의 특성에 따라 따로 부여되는 값이므로 편향(bias)이라고 하며, b로 표시합니다. 따라서 우리가 앞서 배운 y = ax + b는 머신 러닝에서 다음과 같이 표기됩니다.