[머신러닝] Linear Regression 실습

파이참에서 실행 할 소스코드(파이썬이 익숙치 않아서 자세한 프로그램언어적 차원의 풀이는 하지 않겠다.)

import tensorflow as tf
 
# train data - 학습을 시켜줄 데이터다
x_data = [1,2,3]
y_data = [1,2,3]
 
# cost function에 필요한 W,b를 여기서 지정해 줬다.
# -1~1 사이에 임의의 값으로 지정한다.
W = tf.Variable(tf.random_uniform([1], -1.0, 1.0))
b = tf.Variable(tf.random_uniform([1], -1.0, 1.0))
 
# hypothesis H(x) = Wx + b. 우리의 가설을 만들었다.
hypothesis = W * x_data + b
 
# cost function cost(W,b).
cost = tf.reduce_mean(tf.square(hypothesis - y_data))
 
# minimize
a = tf.Variable(0.1) # Learning rate, alpha.
optimizer = tf.train.GradientDescentOptimizer(a)
train = optimizer.minimize(cost)
 
# before starting, initialize the variables. We will run this first
init = tf.initialize_all_variables()
 
sess = tf.Session()
sess.run(init)
 
for step in xrange(2001):
    sess.run(train)
    if step % 20 == 0:
        print step, sess.run(cost), sess.run(W), sess.run(b)

x_data와 y_data는 실제 학습에 사용되는 training data다.

우리는 W와b를 임의의 값을 생성하여 임의의 가설을 세웠다. 

hypothesis

H(x) = Wx + b

cost function

위 2개의 식을 소스코드에서도 hypothesis와 cost로 그대로 표현하였다.

줄 18~27 부분은 텐서플로 실행 부분인데 다음에 설명하겠다.

위 코드에 의해 20번의 학습이 끝날 때마다 현재의 cost, W, b의 값을 출력한다.

단계가 가면 갈 수록 cost는 0이 되고, W와 b가 1과 0이 되어

우리가 가진 training data에 적합한 가설인 H(x) = 1x+0이 만들어 진다.