Skip to main content

Logistic regression

· 3 min read
Gracefullight
Gracefullight
Owner

단변량 선형 회귀 (Univariate Linear Regression)​

  • 입력이 하나 xx인 경우, 가설: h(x)=w1x+w0h(x) = w_1x + w_0
  • 손실 함수: 제곱 오차 (Squared Error)
  • 경사 하강법으로 최적의 (w0,w1)(w_0, w_1) 찾기
    • w0←w0+α(y−h(x))w_0 \leftarrow w_0 + \alpha (y - h(x))
    • w1←w1+α(y−h(x))⋅xw_1 \leftarrow w_1 + \alpha (y - h(x)) \cdot x
  • 손실 함수가 볼록(Convex) → 전역 최소값(Global Minimum) 보장

배치 / 확률적 경사 하강법 (Batch vs SGD)​

  • 배치 경사 하강법(Batch GD): 모든 데이터 사용 → 정확하지만 느림, 대규모 데이터 비효율적
  • SGD(Stochastic GD): 무작위 예시 하나(또는 작은 minibatch)만으로 업데이트 → 빠르고 효율적
  • 미니배치(Minibatch): 속도 + 안정성 균형 가능
  • 학습률 α\alpha 감소 스케줄 → 수렴 보장

다변량 선형 회귀 (Multivariable Linear Regression)​

  • 입력이 nn차원인 경우, 가설: h(x)=w⋅x=∑iwixih(x) = w \cdot x = \sum_i w_i x_i
  • 정규 방정식 (Normal Equation): w∗=(XTX)−1XTyw^* = (X^TX)^{-1}X^Ty
  • (XTX)−1XT(X^TX)^{-1}X^T = 유사역행렬(Pseudoinverse)
  • 고차원에서는 과적합 위험이 크므로 정규화 필요

정규화 (Regularization)​

  • 비용 함수: Cost(h)=Loss(h)+λ⋅Complexity(h)Cost(h) = Loss(h) + \lambda \cdot Complexity(h)
  • 복잡도 함수: Complexity(hw)=∑i∣wi∣qComplexity(h_w) = \sum_i |w_i|^q
  • q=1q = 1 → L1 정규화 (희소 모델, 많은 wi=0w_i = 0)
  • q=2q = 2 → L2 정규화 (가중치 제곱합 최소화)
  • L1 → 회전 불변성 없음 (축이 중요한 경우 적합)
  • L2 → 회전 불변성 있음 (축이 임의적일 때 적합)

퍼셉트론 학습 규칙 (Perceptron Learning Rule)​

  • 선형 함수 + Hard Threshold → 선형 분류기
  • 가중치 업데이트: wi←wi+α(y−h(x))⋅xiw_i \leftarrow w_i + \alpha (y - h(x)) \cdot x_i
  • 선형 분리 가능(linearly separable) → 완벽한 분리자로 수렴
  • 분리 불가능한 경우 → 수렴 보장 없음, α\alpha 스케줄 필요

로지스틱 회귀 (Logistic Regression)​

  • Hard Threshold 문제
    • 불연속, 미분 불가능 → 학습 불안정
    • 항상 0 또는 1 확정 예측 → 경계 근처 비효율적
  • 해결책: 로지스틱 함수 g(z)=11+e−zg(z) = \frac{1}{1 + e^{-z}}
  • 가설: hw(x)=g(w⋅x)=11+e−w⋅xh_w(x) = g(w \cdot x) = \frac{1}{1 + e^{-w \cdot x}}
  • 출력 ∈(0,1)\in (0,1) → 확률로 해석 가능, soft boundary 형성
  • 경계 중앙에서 0.5, 멀어질수록 0 또는 1에 가까움

로지스틱 함수의 도함수 성질​

  • 로지스틱 함수: g(z)=11+e−zg(z) = \frac{1}{1+e^{-z}}
  • 미분: g′(z)=e−z(1+e−z)2g'(z) = \frac{e^{-z}}{(1+e^{-z})^2}
  • 1−g(z)=e−z1+e−z1 - g(z) = \frac{e^{-z}}{1+e^{-z}}
  • 따라서 g(z)(1−g(z))=e−z(1+e−z)2g(z)(1-g(z)) = \frac{e^{-z}}{(1+e^{-z})^2}
  • 결론: g′(z)=g(z)(1−g(z))g'(z) = g(z)(1-g(z))

로지스틱 회귀 가중치 업데이트 유도 과정​

  • 손실 함수: Loss(w)=(y−hw(x))2Loss(w) = (y - h_w(x))^2
  • ∂∂wiLoss(w)=∂∂wi(y−hw(x))2\frac{\partial}{\partial w_i} Loss(w) = \frac{\partial}{\partial w_i}(y - h_w(x))^2
  • =2(y−hw(x))⋅∂∂wi(y−hw(x))= 2(y - h_w(x)) \cdot \frac{\partial}{\partial w_i}(y - h_w(x))
  • =−2(y−hw(x))⋅∂∂wihw(x)= -2(y - h_w(x)) \cdot \frac{\partial}{\partial w_i} h_w(x)
  • hw(x)=g(w⋅x)h_w(x) = g(w \cdot x) 이므로 ∂∂wihw(x)=g′(w⋅x)⋅xi\frac{\partial}{\partial w_i} h_w(x) = g'(w \cdot x) \cdot x_i
  • g′(w⋅x)=hw(x)(1−hw(x))g'(w \cdot x) = h_w(x)(1-h_w(x))
  • 최종: ∂∂wiLoss(w)=−2(y−hw(x))⋅hw(x)(1−hw(x))⋅xi\frac{\partial}{\partial w_i} Loss(w) = -2(y - h_w(x)) \cdot h_w(x)(1-h_w(x)) \cdot x_i
  • 경사 하강법 업데이트:
    wi←wi−α⋅∂∂wiLoss(w)w_i \leftarrow w_i - \alpha \cdot \frac{\partial}{\partial w_i} Loss(w)
  • 따라서:
    wi←wi+α(y−hw(x))⋅hw(x)(1−hw(x))⋅xiw_i \leftarrow w_i + \alpha (y - h_w(x)) \cdot h_w(x)(1-h_w(x)) \cdot x_i

결론​

  • 발전 흐름: 선형 회귀 → 경사 하강법 → 다변량 확장 → 정규화 → 퍼셉트론 → 로지스틱 회귀
  • L1 vs L2 정규화
    • L1: 희소 모델 (축 중요)
    • L2: 회전 불변 (축 임의적)
  • 퍼셉트론: 선형 분리 가능할 때만 완벽 동작
  • 로지스틱 회귀: soft boundary 제공 → 확률적 예측 + 현실 데이터에 강함