31 lines
2.1 KiB
Markdown
31 lines
2.1 KiB
Markdown
---
|
|
id: P-REINFORCE-AUTO-LORE-001
|
|
category: "10_Wiki/💡 Topics/AI"
|
|
confidence_score: 0.98
|
|
tags: [auto-reinforced, logistic-regression, classification, machine-learning, statistics, sigmoid]
|
|
last_reinforced: 2026-04-20
|
|
---
|
|
|
|
# [[Logistic-Regression]]
|
|
|
|
## 📌 한 줄 통찰 (The Karpathy Summary)
|
|
> "0 아니면 1, 그 사이의 선택: 결과가 수치가 아닌 '분류(예/아니오, 스팸/정상)'일 때, 입력값을 확률로 변환하여 어느 쪽 그룹에 속할지 명쾌하게 판정해 주는 가장 기초적이고 신뢰도 높은 머신러닝의 판사."
|
|
|
|
## 📖 구조화된 지식 (Synthesized Content)
|
|
로지스틱 회귀(Logistic-Regression)는 이진 분류 문제를 해결하기 위한 통계 기법이자 머신러닝 알고리즘입니다.
|
|
|
|
1. **핵심 도구 (Sigmoid)**:
|
|
* 어떤 값($-\infty$ ~ $+\infty$)을 입력받아도 반드시 **0에서 1 사이의 값**으로 출력함.
|
|
* 이 출력값을 '사건이 발생할 확률'로 해석.
|
|
2. **왜 중요한가?**:
|
|
* 단순 회귀(Linear)의 한계를 넘어 분류의 시대를 열었으며, 현대 딥러닝 신경망의 각 노드에서 일어나는 비선형 활성화(Activation)의 시조격임. (Gradient-Descent와 학습 원리 공유)
|
|
|
|
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
|
- **과거 데이터와의 충돌**: 과거에는 단순한 통계 분석 도구 정책이었으나, 현대 정책은 딥러닝의 마지막 출력층에서 다중 분류를 수행하는 '소프트맥스(Softmax) 정책'의 핵심 논리로 확장되어 모든 지능 서비스의 최종 판단 정책을 담당함(RL Update).
|
|
- **정책 변화(RL Update)**: 알고리즘의 투명성 정책이 강조됨에 따라, 딥러닝보다 작동 원리 파악이 쉬운 로지스틱 회귀를 의료나 금융 등 '설명 가능한 AI'가 필요한 영역 정책에서 여전히 강력히 권장함. (Explainable-AI (XAI)와 연결)
|
|
|
|
## 🔗 지식 연결 (Graph)
|
|
- [[Gradient-Descent]], [[Explainable-AI (XAI)]], [[Machine Learning (ML)]], Deep Learning (DL), [[Optimization]]
|
|
- **Modern Tech/Tools**: Scikit-learn (LogisticRegression), Sigmoid function, Maximum likelihood estimation.
|
|
---
|