메인 목적:

• 모델 학습에 사용한 훈련 데이터를 잘 맞추는 모델이 아니라, 학습에 사용하지 않은 테스트 데이터를 얼마나 잘 맞추는지가 목적.
• 이것을 하기 위해서는 학습에 사용하는 데이터와 모델을 평가할때 사용하는 데이터를 분리 시켜야됨.
• 훈련(train)/테스트(test) 데이터셋으로 나눔

Simple Linear Regression vs. Multiple Linear Regression

• 단순선형회귀 (SLR) - 1 Feature/Dimension/Independent Variable(독립변수)

  • 직선의 방정식

    

• 다중선형회귀 (MLR) - 2+ Features/Dimensions/Independent Variable(독립변수)

  • 평면의 방정식

    

    

구현:

• 단순선형회귀처럼 sklearn.linear_model LinearRegression() 에서 모델에 fit_transfrom, transform진행
• 절편/계수 구하는 방법 동일 (model.intercept_, model.coef_)
• 차이점: Features에 특성 2개 이상 넣어줌

Evaluation Metrics (평가지표들)

과적합(Overfitting)과 과소적합(Underfitting)

Keywords:

• 일반화(generalization)
  • 훈련데이터랑 테스트데이터 둘다에서 좋은 성능을 내는 모델을 일반화가 잘 된 모델이라고 함