소개
선형 회귀 모델은 간단하고 모델링하기 쉽지만, 머신 러닝의 몇 가지 중요한 기본 아이디어를 담고 있습니다.
$d$개의 속성을 가진 샘플 $x=(x_1;x_2;\cdots;x_d)$가 주어졌을 때, 선형 모델은 속성의 선형 결합을 통해 예측하는 함수를 학습할 수 있습니다. 즉, $f(x) = w_1\cdot x_1 + w_2 \cdot x_2 + \cdots + w_d \cdot x_d + b + \epsilon$입니다.
여기서 $b + \epsilon$는 상수이고, $\epsilon$는 오차 항을 나타냅니다. 속성 길이가 $d$이므로, 이 선형 모델을 $d$차원 선형 회귀 모델이라고도 합니다.
예를 들어, 3 차원 선형 회귀 모델은 다음과 같습니다.
$$f_{level_of_a_ML_engineer} = 0.4 x_1 + 0.5 x_2 + 0.1 x_3 + 1.2$$
여기서:
- $x_1$은 프로그래밍 기술을 의미합니다.
- $x_2$는 알고리즘 기술을 의미합니다.
- $x_3$은 의사소통 기술을 의미합니다.
이 챌린지에서는 선형 회귀와 관련된 문제를 다룰 것입니다. 주어진 비선형 분포를 선형 분포로 변환하는 지수 값 $p$를 찾는 것이 과제입니다.
