선형 회귀 다시 보기

선형 회귀는 특성으로부터 수치를 가장 잘 예측하는 직선을 찾습니다. 모든 예측의 가장 단순한 출발점입니다. 📈

모든 예측은 하나의 수식에서 나옵니다. 각 특성에 가중치를 곱하고 이를 더하는 방식입니다. 이 가중합이 모델이 데이터를 가로질러 그리는 선이 됩니다.

이 가중치를 계수라고 합니다. 각 계수는 다른 특성을 고정했을 때 해당 특성이 1단위 증가하면 타깃이 얼마나 변하는지를 나타냅니다.

절편은 모든 특성이 0일 때의 예측값입니다. 데이터가 분포한 위치에 맞도록 전체 직선을 위나 아래로 이동시킵니다.

fit은 실제 값에 가장 가까운 예측을 만드는 계수를 선택하는 과정입니다. 모델은 오차가 줄어들 때까지 직선을 조정할 뿐입니다.

scikit-learn을 사용하면 아주 간단합니다. 모델을 만든 다음 특성과 타깃을 넣어 fit을 호출하세요. 계산은 알아서 진행됩니다.

fit이 끝나면 학습된 가중치는 coef_에, 이동량은 intercept_에 저장됩니다. 이를 통해 모델이 학습한 내용을 알 수 있습니다.

새로운 입력을 predict에 전달하면 모델이 직선을 적용해 수치를 반환합니다. 모든 추정기에서 보았던 것과 같은 간단한 호출입니다.

계수가 양수이면 해당 특성이 증가할 때 타깃도 증가하고, 음수이면 감소합니다. 부호는 관계를 파악하는 첫 번째 단서입니다.

선형 회귀는 직선 형태의 관계만 표현하므로 곡선형 패턴을 놓칠 수 있습니다. 이 한계를 알면 더 풍부한 모델을 사용해야 할 때를 판단할 수 있습니다.

학습이 빠르고 설명하기 쉬워 훌륭한 기준선이 됩니다. 더 복잡한 모델을 신뢰하기 전에 먼저 이 점수를 넘어 보세요.

선형 회귀는 가중 직선을 그립니다. 계수가 기울기를 정하고, 절편이 위치를 잡으며, fit이 오차를 줄이도록 이 값들을 조정합니다. 깔끔하고 빠른 기준선입니다. 🎯