Stage1 - Linear Regression을 배워보자 - 데이터 사이언스 LV1 입문

Linear Regression
선형회귀란 종속변수 y와 독립변수 X의 상관관계가 선형으로 설명되는 회귀 분석입니다.
정의가 어렵다면 아래 그래프를 살펴보시죠.
집크기에 따른 집 값을 예측하려고 할 때 위 그래프처럼 간단하게 선 하나로 표현할 수 있습니다.
수학적으로 파고들면 더욱 엄격한 정의가 있지만, 현재 수준에서는 간단한 일차함수부터 시작하는 분석을 떠올리시면 됩니다. (즉 위와 같은 직선부터)
이해하기 쉬어 모델을 수립하기 좋기 때문에 통계 모델링에서 굉장히 많이 활용됩니다.
그러나 매우 복잡한 상황에서는 정확성이 떨어지는 한계가 있습니다.
수학적으로 이해하기
직접 코드로 작성한다면, 이 방법론의 원리를 이해하기 쉬워집니다.
이 데이터를 가지고 작업해보겠습니다. 먼저 수학적으로 접근해볼까요?
함께실습$1
손으로 수학 문제 풀기
위 그래프에 주황색으로 적당한 선을 하나 그었습니다. 저 주황색 선의 식을 구할 수 있다면 어느정도 집값을 예측할 수 있겠네요. 그러면 지금부터 주황색 선형회귀식을 찾아보겠습니다.
y = ax + b
(0, 1)을 지나고 (8,5)를 지납니다.
1 = a✖️0 + b
5 = a✖️8 + b
결국 b = 1, a = 0.5 를 얻을 수 있습니다.
y = 0.5x + 1
만약 집 크기가 7이라면 y = 0.5✖️7 + 1, 즉 집 값은 4.5라고 추정할 수 있습니다.
직접 코드를 짜서 원리 이해하기
파이썬 코드로 이러한 식을 찾아내려면 어떻게 해야할까요?
먼저 오차를 구하는 방법을 정의하고, 여러 식을 테스트하여 그 중 가장 오차가 적은 식을 선별하면 됩니다.
빨간 화살표는 오차를 표현
이 선의 길이의 제곱을 오차라 가정
즉 선으로 부터 데이터까지 화살표로 표시된 거리 제곱의 합이 오차입니다. 수많은 식을 그려보고 이 오차 합이 가장 적은 식을 고르면 됩니다.
저 수많은 선의 오차를 직접 구해보라고 어떠실것 같아요? 전 도저히 못할것 같습니다.
파이썬의 장점을 저러한 단순 반복 작업을 1초에 수천만번 대신해준다는 겁니다. 우리가 가지고 있는 일반사양의 데스크탑으로도 말이죠. 심지어 스마트폰의 성능으로도 가능합니다.
자, 이제 코드 작성으로 넘어가보겠습니다.
함께실습$2
a가 0.5, b가 0.5일 때 오차제곱의 총합
미션$1
a와 b가 (0.5, 1), (0.4, 1), (0.4, 1.4)일 때
미션을 진행하면서 아래 답을 채워보세요.
1.(0.5, 1)  오차제곱의 합 [                  ]
2.(0.4, 1)  오차제곱의 합 [                  ]
3.(0.4, 1.4)  오차제곱의 합 [                  ]
이해하기
a가 0.4, b가 1.4인 선형회귀식이 바로 우리가 최종적으로 찾은 회귀식입니다. (더 좋은 식도 있습니다.)
눈으로 확인하려니 빨간색선과 주황색선의 차이가 별로 없어보이나요?
오차제곱의 총합을 계산해보면 주황색 선의 경우 7.5, 빨간색 선의 경우 6.65로 빨간색 선이 더 오차가 적다는 것을 확인할 수 있습니다.
간단한 데이터는 눈으로 파악하고 대강 선을 그어도 그럴듯한 식을 찾을 수 있지만, 앞으로 우리가 분석해야할 데이터는 집크기, 화장실 수, 설립연도 등 수십개의 특징을 가진 2만건 이상의 데이터 입니다.
이 경우 직감적으로 선을 찾기보다, 파이썬 등을 이용해 보다 과학적인 방법들을 적용해야 하며 대표적인 방법으로 머신러닝이 있습니다. (그래서 우리가 배우는 중이죠!)