# ML : Model Representation

Model Representation

 Regression Problem의 한 예로서, size에 따른 집 값(price)의 그래프를 보인다.

 이를 조금 더 보기 쉽게 표현하려면 다음과 같은 '표'를 만들어 사용할 수 있다.

1. Indexing

•  - x⁽ⁱ⁾ : input (여기서는 size)
•  - y⁽ⁱ⁾ : output, target variable that we are trying to predict (여기서는 price)
•  x 예시 : x⁽¹⁾ = 2104, x⁽²⁾ = 1416
•  y 예시 : y⁽¹⁾ = 460, y⁽²⁾ = 232

2. Training set

•  - ( x⁽ⁱ⁾ , y⁽ⁱ⁾ ) : Training example
•  - ( x⁽ⁱ⁾ , y⁽ⁱ⁾ ); i = 1, ......, m : Training set 
• data set that we'll be using to learn, a list of training example

3. Hypothesis(h)

• 위의 Training set 집합에 Learning Algorithm을 적용하여 h라는 학습된 가정을 생성
• To describe the supervised learning problem slightly more formally, our goal is, given a training set, to learn a function h : X → Y so that h(x) is a “good” predictor for the corresponding value of y.
• 최적의 결과 값을 보여주는 알고리즘(h)을 찾아내는 것이 목표

- When the target variable that we’re trying to predict is continuous, such as in our housing example, we call the learning problem a regression problem. 

: 주택의 예와 같이 연속적인 변수가 존재할 경우 = Regression Problem

- When y can take on only a small number of discrete values (such as if, given the living area, we wanted to predict if a dwelling is a house or an apartment, say), we call it a classification problem.

: y가 소수의 불연속적인 값을 취할 수 있는 경우(주거 형태가 주택인지 아파트인지 여부와 같이 정확하게 구분되는 경우) = Classification Problem

4. Univariate Linear Regression

• h(x) = θ₀ + θ₁x (y = ax + b)
• θ₀ , θ₁ 의 값에 의해 값이 변경됨 = 그래프의 모양이 변경됨
• 우리의 최종적인 목표는 'training set의 모든 점들로부터 직선까지의 거리가 가장 작은 '최소 차이'를 갖는 θ₀ , θ₁ 값을 구하는 것
• 이를 구하기 위한 함수(Cost Function)가 필요

출처 강의 : https://www.coursera.org/learn/machine-learning/home/info