Linear Regression with 텐서플로우 (Pycharm 환경)

*일반적인 직선을 나타내는 공식(선형을 나타내는 가설 Hypothesis) : 

y = wx + b

H(x) = wx + b

위 공식에서 W와 B가 미지수이다. 

결국 W와 b를 찾는것이 목적!!

w= weight 기울기

b= bias

(x, y) , (x1, y1), (x2, y2) 의 값이 있을 때

(x, H(x)), (x1, H(x1)), (x2, H(x2))

Cost = 1/N <<(H(x) - y)2

Cost는 w의 제곱식 

Cost는 작으면 작을 수록 좋다!(Loss가 적다는 의미)

*Linear Regression을 하기 위한 기본 적인 3가지 요소

- Hypothesis

- Cost 정의(에측값에서 제곱을 해서 평균을 구한 값)

- Cost를 최소화 하기 위한 알고리즘(Gradient Decent...)

* 최적의 Hypothesis의 선택 :
=> H(x) - y를 최소화하는 직선을 찾으면 됨!

- Cost = Hypothesis에서 예측값 목표를 뺀값의 제곱의 평균

(tf.reduce_mean(tf.square(hypothesis - y_data)))

*Linear Regression Example (with Pycharm) : 

1) Pycharm 가상환경에서 tensorflow 설치 :

(Terminal에서 'pip install tensorflow' 입력)

2) Pycharm에서 Python 파일 생성하기 :

실행하기 (shift + F10) or 마우스 우클릭 후 Run linear_Regression

3) tensorflow로 학습시키기 :

소스코드 :

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23

import tensorflow as tf   x_data = [1., 2., 3.] y_data = [1., 2., 3.]     w = tf.Variable(tf.random_uniform([1], -1., 1.)) #초기 값을 랜덤하게 준다 -1에서 1 사이에서 1개 b = tf.Variable(tf.random_uniform([1], -1., 1.)) #초기 값을 랜덤하게 준다 -1에서 1 사이에서 1개   hypothesis = w * x_data + b cost = tf.reduce_mean(tf.square(hypothesis - y_data)) # Cost를 구한다   optimizer = tf.train.GradientDescentOptimizer(0.1) train = optimizer.minimize(cost)  #가장 작은 cost륵 가져온다   init = tf.global_variables_initializer() sess = tf.Session() sess.run(init)   for step in range(2001):     sess.run(train)     if step % 20 == 0:         print(step, sess.run(cost), sess.run(w), sess.run(b))

cs