#1. 가장 훌륭한 예측선 : 선형 회귀

딥러닝이란 자그마한 통계의 결과들이 무수히 얽히고 설켜 이루어지는 복잡한 연산이 결정체입니다.

이 딥러닝을 이해하려면 딥러닝의 가장 말단에서 이루어지는 가장 기본적인 두 가지 계산 원리를 알아야하는데, 이 계산 원리가 선형 회귀와 로지스틱 회귀입니다.

<aside> 💡 가장 훌륭한 예측선 긋기: 통계학 용어인 선형회귀와 유사 → 선의 방향에 따라 미래의 결과를 예측할 수 있음

</aside>

[1] 선형 회귀의 정의

딥러닝에서 정보는 예측 결과를 타당하게 설명할 수 있으며 그 차이와 이유를 나타낼 때 더욱 효과적입니다.

딥러닝에서 정보, 특히 데이터의 중요성은 매우 큽니다. 데이터는 딥러닝 모델이 학습하고 예측하는 데 필요한 기반을 제공합니다. 양질의 데이터는 모델의 성능을 향상시키며, 데이터를 어떻게 처리하고 사용하느냐에 따라 모델의 정확성과 효율성이 달라집니다.

모델 학습: 딥러닝 모델은 데이터를 기반으로 학습합니다. 모델은 입력 데이터(독립변수)를 사용해 출력 데이터(종속변수)를 예측하는 방법을 배웁니다.
모델 평가: 모델의 성능을 평가하기 위해 테스트 데이터를 사용합니다. 평가 데이터는 모델이 학습하지 않은 데이터여야 하며, 이를 통해 모델의 일반화 성능을 측정합니다.
모델 개선: 모델이 더 나은 성능을 발휘하도록 하려면 더 많은 데이터, 다양한 데이터, 고품질의 데이터를 수집하고 사용해야 합니다.

<aside> 💡 모델 학습 : [ 독립 변수 → 종속 변수 ] 예측 모델 평가 : 학습되지 않은 데이터 ⇒ 일반화 성능 측정

</aside>

선형 회귀는 한 개 이상의 독립변수와 종속변수 간의 관계를 선형적으로 모델링하는 통계 기법입니다. 목표는 주어진 독립변수에 대해 종속변수를 예측하는 것입니다.

선형 회귀란 독립 변수를 사용해 종속 변수의 움직임을 예측하고 설명하는 작업을 말한다.

항목	설명
독립변수	입력 변수로서, 종속변수에 영향을 미치는 변수들
종속변수	출력 변수로서, 독립변수에 의해 영향을 받는 변수