| 작성자 | 장원준 |
| 일 시 | 2024. 10. 31 (목) 18:00 ~ 21:00 |
| 장 소 | 미래관 자율주행스튜디오 429호 |
| 참가자 명단 | 임혜진, 이재영, 성창민, 장원준, 김명원 |
| 사 진 |  |
1. Linear Model이란?
Linear Model, 또는 선형 모델은 데이터의 특성과 결과값 사이의 관계를 직선 형태로 나타내려는 모델입니다. 선형 모델은 입력 변수와 출력 변수 사이의 관계가 일정한 비율로 변한다고 가정합니다. 이 가정 하에, 특정 입력값이 증가하거나 감소할 때 출력값도 일정한 비율로 변동하게 됩니다. 이 모델의 대표적인 형태는 1차 함수인 \( y = mx + c \)와 같은 수식으로 표현되며, 이 식에서:
- \( y \): 예측하려는 값(종속 변수)
- \( m \): 기울기(변수 간의 관계를 나타내는 계수)
- \( x \): 입력 변수(독립 변수)
- \( c \): 상수(절편, intercept)
이렇게 간단한 수식을 통해 선형 모델은 주어진 데이터를 바탕으로 예측, 분류, 트렌드 분석 등 다양한 목적에 사용될 수 있습니다. 예를 들어, 과거의 매출 데이터를 통해 향후 매출 추이를 예측하거나 특정 변수의 변화가 결과에 어떤 영향을 미치는지 파악하는데 도움이 됩니다.
2. Linear Regression이란?
Linear Regression, 즉 선형 회귀 분석은 선형 모델을 데이터에 가장 잘 맞게 만드는 과정입니다. 이는 회귀 분석 기법 중 하나로, 입력 변수와 출력 변수 간의 선형적 관계를 찾아 예측 모델을 구축합니다. 가장 일반적인 방식은 **최소제곱법(OLS; Ordinary Least Squares)**으로, 각 데이터 포인트에서 예측된 값과 실제 값의 차이를 최소화하는 방식으로 최적의 직선을 찾습니다.
선형 회귀 모델은 회귀 계수(기울기와 절편)를 추정하여 **예측 함수**를 구성합니다. 예를 들어, 학생의 공부 시간과 시험 성적 간의 관계를 예측하는 경우, 학습 데이터로부터 가장 적합한 회귀 직선을 찾아 특정 공부 시간에 대한 예상 성적을 추론할 수 있습니다.
3. Linear Model과 Linear Regression의 차이
- Linear Model: 데이터의 패턴을 선형적으로 설명하고자 하는 모든 모델을 의미합니다. 간단한 1차 함수 관계부터 다중 선형 회귀처럼 여러 변수 간의 관계를 포함하는 모델까지 넓게 포함합니다.
- Linear Regression: 데이터를 바탕으로 선형 모델을 구성하는 특정한 기법입니다. 이 기법은 선형 모델을 통해 최적의 직선을 찾고, 이를 통해 예측과 분석을 가능하게 합니다.
4. Linear Regression의 유형
선형 회귀에는 단순 선형 회귀와 다중 선형 회귀가 있습니다:
- 단순 선형 회귀(Simple Linear Regression): 하나의 독립 변수와 종속 변수 간의 관계를 분석하여 예측하는 모델입니다. 예를 들어, 광고 비용과 매출 간의 관계를 파악할 때 주로 사용됩니다.
- 다중 선형 회귀(Multiple Linear Regression): 여러 독립 변수가 종속 변수에 미치는 영향을 분석합니다. 예를 들어, 광고 비용, 할인율, 계절 등의 변수들이 매출에 어떤 영향을 미치는지 분석할 때 사용합니다.
5. Linear Model과 Linear Regression의 활용 예
- Linear Model: 전기 사용량에 따른 요금 예측, 물리학에서 거리와 시간 간의 관계 모델링 등 다양한 현상에서 데이터 분석에 유용하게 활용됩니다.
- Linear Regression: 비즈니스 예측, 마케팅에서 광고 캠페인의 효과 분석, 경제학에서 소비자 지출 예측 등에서 데이터에 맞는 예측 모델을 구성하는데 중요한 역할을 합니다.
Linear Model은 데이터 사이의 선형적 관계를 단순화하여 표현하는 모델이고, Linear Regression은 이를 바탕으로 가장 적합한 예측 모델을 찾는 기법입니다. 이를 통해 다양한 데이터의 관계를 분석하고 예측할 수 있고 상황에 따라 어떤 것을 택하는 것이 유리할지에 대해 알 수 있었습니다.