--- layout: default title: 05. Regression subtitle: 어프렌티스 프로젝트 과목 --- ----- [PINBlog Gitea Repository](https://gitea.pinblog.codes/CBNU/05_Regression) ----- # 05. Regression - 산업인공지능학과 대학원 2022254026 김홍열 --- # **Regression* ### **Linear Regression, Logistic Regression** # 선형 회귀 (Linear Regression) 선형 회귀는 연속적인 값을 예측하기 위한 회귀 알고리즘입니다. 주로 종속 변수와 독립 변수 간의 선형 관계를 모델링하는 데 사용됩니다. ### 수식 ​ \(y = \beta_0 + \beta_1x_1 + \beta_2x_2 + ... + \beta_nx_n + \epsilon\) - \(y\): 예측값 - \(x_1, x_2, ..., x_n\): 독립 변수들 - \(\beta_0, \beta_1, ..., \beta_n\): 회귀 계수 - \(\epsilon\): 오차 항 ### 목적 오차 항 ϵ의 제곱합을 최소화하는 회귀 계수를 찾는 것입니다. ### 사용 사례 주택 가격 예측, 연봉 예측, 판매량 예측 등 연속적인 값을 가지는 대상을 예측할 때 사용됩니다. --- ### 예제 코드[¶]()
Linear Regression
```python from sklearn.linear_model import LinearRegression from sklearn.model_selection import train_test_split import numpy as np # 예제 데이터 생성 X = np.random.rand(100, 1) * 10 # 100개의 랜덤 데이터 y = 2.5 * X + 5 + np.random.randn(100, 1) * 2 # y = 2.5x + 5 + 잡음 # 데이터 분할 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2) # 선형 회귀 모델 학습 model = LinearRegression() model.fit(X_train, y_train) # 예측 y_pred = model.predict(X_test) print("Coefficients:", model.coef_) print("Intercept:", model.intercept_) ```
diabetes 데이터셋 활용
### 개요 - 위스콘신 대학의 유방암 진단 데이터셋으로, 유방암 종양의 임상 정보를 기반으로 악성(malignant) 또는 양성(benign)으로 분류하는 문제에 사용됩니다. ### 특징 - 30개의 특징 변수가 있으며, 이는 종양의 다양한 특성(크기, 반경, 질감 등)을 나타냅니다. ### 목표 변수 - 종양이 악성인지(1) 양성인지(0)를 나타내는 이진 값입니다. ### 용도 - 이 데이터셋은 주로 분류 문제에 사용됩니다. ### 속성 - age: 나이 - sex: 성별 - bmi: 체질량지수 - bp: 평균 혈압 - s1 ~ s6: 6개의 혈청 측정값 ```python import numpy as np from sklearn import datasets from sklearn.model_selection import train_test_split from sklearn.linear_model import LinearRegression from sklearn.metrics import mean_squared_error # 데이터 로드 diabetes = datasets.load_diabetes() X = diabetes.data[:, np.newaxis, 2] # BMI feature만 사용 y = diabetes.target # 데이터 분할 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) # 선형 회귀 모델 학습 model = LinearRegression() model.fit(X_train, y_train) # 예측 및 평가 y_pred = model.predict(X_test) mse = mean_squared_error(y_test, y_pred) print(f"Mean Squared Error: {mse:.2f}") ```
Logistic Regression
# 로지스틱 회귀 (Logistic Regression) 로지스틱 회귀는 이름에 '회귀'가 들어가지만, 분류 문제에 사용되는 알고리즘입니다. 주로 이진 분류 문제에 사용되며, 확률을 출력으로 가집니다. ### 수식 - \(P(Y=1) = \frac{1}{1 + e^{-(\beta_0 + \beta_1x_1 + \beta_2x_2 + ... + \beta_nx_n)}}\) - \(P(Y=1)\): 클래스 1에 속할 확률 - \(x_1, x_2, ..., x_n\): 독립 변수들 - \(\beta_0, \beta_1, ..., \beta_n\): 회귀 계수 ### 목적 - 로그 오즈를 최대화하는 것입니다. 로그 오즈는 실제 값과 예측 확률 간의 로그 비율로 계산됩니다. ### 사용 사례 - 스팸 메일 분류, 환자의 질병 발병 여부 예측, 고객 이탈 여부 예측 등 이진 분류 문제에 주로 사용됩니다. 다중 클래스 분류에도 확장하여 사용할 수 있습니다. ---
Code View
```python from sklearn.linear_model import LogisticRegression from sklearn.model_selection import train_test_split # 예제 데이터 생성 X = np.random.rand(100, 1) * 10 # 100개의 랜덤 데이터 y = (X > 5).astype(int).ravel() # X가 5보다 크면 1, 아니면 0 # 데이터 분할 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2) # 로지스틱 회귀 모델 학습 model = LogisticRegression() model.fit(X_train, y_train) # 예측 y_pred = model.predict(X_test) print("Coefficients:", model.coef_) print("Intercept:", model.intercept_) ```
breast_cancer 데이터셋
### 개요 - 위스콘신 대학의 유방암 진단 데이터셋으로, 유방암 종양의 임상 정보를 기반으로 악성(malignant) 또는 양성(benign)으로 분류하는 문제에 사용됩니다. ### 특징 - 30개의 특징 변수가 있으며, 이는 종양의 다양한 특성(크기, 반경, 질감 등)을 나타냅니다. ### 목표 변수 - 종양이 악성인지(1) 양성인지(0)를 나타내는 이진 값입니다. ### 용도 - 이 데이터셋은 주로 분류 문제에 사용됩니다.
Code View ```python from sklearn import datasets from sklearn.model_selection import train_test_split from sklearn.linear_model import LogisticRegression from sklearn.metrics import accuracy_score # 데이터 로드 cancer = datasets.load_breast_cancer() X = cancer.data y = cancer.target # 데이터 분할 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) # 로지스틱 회귀 모델 학습 model = LogisticRegression(max_iter=10000) # max_iter를 증가시켜 수렴을 도움 model.fit(X_train, y_train) # 예측 및 평가 y_pred = model.predict(X_test) acc = accuracy_score(y_test, y_pred) print(f"Accuracy: {acc*100:.2f}%") ```
--- ### 참고[¶]() - 어프렌티스 프로젝트 과목, 김재영 교수 - ChatGPT