문서의 선택한 두 판 사이의 차이를 보여줍니다.
양쪽 이전 판 이전 판 | 다음 판 양쪽 다음 판 | ||
2018_08 [2018/08/13 09:36] ehmoon |
2018_08 [2018/08/14 06:58] ehmoon |
||
---|---|---|---|
줄 235: | 줄 235: | ||
계산해주는 프로그램 개발해야 함. | 계산해주는 프로그램 개발해야 함. | ||
+ | \\ | ||
+ | \\ | ||
+ | \\ | ||
+ | |||
+ | ===== 14일 화요일 ===== | ||
+ | |||
+ | [Study] | ||
+ | |||
+ | 모두를 위한 머신러닝 lecture 7. ML의 실용과 몇가지 팁 부분 공부 | ||
+ | |||
+ | 이번 챕터는 약간 짬뽕같은 느낌. 정리를 하자면 | ||
+ | |||
+ | (1) running rate | ||
+ | |||
+ | (2) Overfitting | ||
+ | |||
+ | (3) Regularization | ||
+ | |||
+ | 먼저 running rate같은 경우는 학습을 할때, 너무 러닝 rate을 너무 크게 잡으면 | ||
+ | |||
+ | overshooting 발생하여 데이터값이 위로 튀어버리고, | ||
+ | |||
+ | 가 너무 느리게 돌아가므로 트레이닝이 끝났을때 optimal value를 찾아가지 못함. | ||
+ | |||
+ | 따라서 제대로 cost 값이 측정이 안된다면 running rate 의심해봐야 함. | ||
+ | |||
+ | 다음으로 overfitting 부분은 트레이닝을 많이 시킨다고 다 좋을것 같지만, | ||
+ | |||
+ | 오히려 너무 많은 트레이닝은 트레이닝 데이터에 의존되므로 좋지 못함. | ||
+ | |||
+ | overfitting을 해결하는 방법으로는 3가지가 있음. | ||
+ | |||
+ | (1) training data의 양을 늘림 | ||
+ | |||
+ | (2) feature의 개수를 줄임 | ||
+ | |||
+ | (3) regularization | ||
+ | |||
+ | regularization은 feature 끼리의 분포가 너무 크거나 작을때 cost function을 그려보면 | ||
+ | |||
+ | 찌그러져버리는 현상이 생기는데 이때 사용하는 방법. | ||
+ | |||
+ | 모든 feature들의 range를 같은 범주로 정규화 시켜서 평평한 모양의 cost function을 만들어줌. | ||
+ | |||
+ | lecture는 이정도 진행했고, | ||
+ | |||
+ | 텐서플로에서 제공하는 mnist 데이터 이용하여 image classification 실습해봄. |