Day 2 — Linear Regression: 직선이 데이터에서 학습하는 방법

Source: Dev.to

Riya는 학교에 다니고, 시험이 다가오고 있다.
그녀의 언니는 흥미로운 것을 눈치챈다:

언니는 웃으며 말한다:

“아, 공부를 많이 할수록 점수를 많이 받는다 — 아주 예측 가능해!”

모르게 Riya의 언니는 바로 선형 회귀를 수행한 것이다.

그래서… 선형 회귀는 실제로 무엇일까?

큰 이름은 신경 쓰지 마세요.

선형 회귀는 단순히 의미한다: 입력과 출력 사이에 직선 관계를 찾는 것.

쉽게 말하면:

• 입력이 증가하면
• 출력도 증가(또는 감소)한다

꾸준하고 예측 가능한 방식으로. 그 꾸준한 행동이 핵심이다.

왜 “직선”일까?

인생은 때때로 단순하기 때문이다.

• 더 많은 업무 경험 → 더 높은 급여
• 더 큰 집 → 더 높은 가격
• 더 많은 전력 사용량 → 더 높은 전기 요금

당신의 뇌는 이미 직선적인 패턴을 기대한다. 선형 회귀는 그 패턴을 데이터로 그려낼 뿐이다.

모델은 실제로 무엇을 하고 있나요?

보드에 많은 점들이 있다고 상상해 보세요 📍— 각 점은 하나의 실제 예시입니다.

선형 회귀의 역할은:

“이 모든 점에 가능한 한 가깝게 지나가는 직선 하나를 그려 보겠습니다.”

모든 점에 닿지는 않으며 완벽하지 않지만, 전체적으로 가장 좋은 직선입니다. 이것이 모델입니다.

단순 선형 회귀 vs 다중 선형 회귀

단순 선형 회귀

하나의 입력 → 하나의 출력

예시: 공부한 시간 → 점수

다중 선형 회귀

여러 입력 → 하나의 출력

예시: 집 크기, 방 개수, 위치 → 집 가격

같은 아이디어지만, 더 많은 정보가 있습니다.

계수 — 진정한 힘

두 가지 요소, 경험과 기술을 기준으로 급여를 결정하는 인사 담당자를 상상해 보세요.

Salary = (Experience × 5000) + (Skills × 3000) + Base Pay

숫자 5000과 3000은 계수라고 합니다. 이들은 각 요소가 얼마나 기여하는지를 나타냅니다:

• 계수가 클수록 → 영향력이 큽니다
• 계수가 작을수록 → 영향력이 작습니다

요리와 마찬가지로, 소금은 맛에 큰 영향을 주고, 고추는 조금 덜 영향을 줍니다. 선형 회귀는 단순히 숫자를 예측할 뿐만 아니라, 그 숫자가 왜 타당한지 설명합니다.

Intercept — 시작점

If someone has:

• 0 경험
• 0 기술

the salary isn’t zero because there’s usually a base salary. That base value is the intercept.

Intercept is where the line starts.

왜 선형 회귀가 어디에나 있는가

• 이해하기 쉬움
• 학습 속도가 빠름
• 관리자에게 설명하기 쉬움
• 면접에서 매우 인기 있음

면접 진실: 그들은 행동을 이해하는 것에 더 신경을 쓰며, 공식을 외우는 것보다 중요하게 생각한다.

이 직선이 나쁜 생각이 되는 경우

데이터에 급격한 점프, 무작위 변동, 혹은 명확한 곡선(예: 급여 급등, 변동성 높은 가격)이 보인다면, 직선을 강제로 적용하는 것은 “원을 재기 위해 자를 사용하는 것”과 같다. 잘 작동하지 않는다. 나중에 대안을 살펴보겠다.

Tiny Brain Exercise 🧠

월간 모바일 요금을 생각해 보세요:

• 데이터를 많이 사용할수록 → 요금이 높아짐
• 데이터를 적게 사용할수록 → 요금이 낮아짐

이미 직선적인 관계를 기대하고 있습니다—그 직관이 선형 회귀의 기반입니다.

기억해야 할 3가지

1. Linear regression은 직선에 맞춥니다.
2. 계수는 각 입력의 중요도를 나타냅니다.
3. 절편은 시작값입니다.

다음에 올 내용 👀

이제 라인을 얻었으니, 큰 질문은:

이 라인이 좋거나 나쁜지 어떻게 알 수 있을까요?

바로 여기서 오류와 손실 함수가 등장합니다.

👉 3일 차 — 오류 및 손실 함수: 모델이 얼마나 틀렸는지 측정하기