<div id="readability-page-1" class="page"><section itemprop="text">
        <h2 id="가설hypothesis">가설(Hypothesis)</h2>

<p><code>가설(Hypothesis)</code>이란 <strong>어떤 사실을 설명하거나 증명하기 위한 가정</strong>으로 <strong>두 개 이상의 변수의 관계를 검증 가능한 형태로 기술하여 변수 간의 관계를 예측하는 것을 의미합니다.</strong></p>

<p>가설에는 크게 <code>연구 가설(Research Hypothesis)</code>, <code>귀무 가설(Null Hypothesis)</code>과 <code>대립 가설(Alternative Hypothesis)</code>로 나눌 수 있습니다.</p>

<p><code>연구 가설(Research Hypothesis)</code>은 연구자가 검증하려는 가설로 <strong>귀무 가설을 부정하는 것으로 설정한 가설을 증명하려는 가설입니다.</strong></p>

<p><code>귀무 가설(Null Hypothesis)</code>은 통계학에서 처음부터 버릴 것을 예상하는 가설입니다. <strong>변수 간 차이나 관계가 없음을 통계학적 증거를 통해 증명하려는 가설입니다.</strong></p>

<p><code>대립 가설(Alternative Hypothesis)</code>은 귀무 가설과 반대되는 가설로 <strong>귀무 가설이 거짓이라면 대안으로 참이되는 가설입니다.</strong></p>

<p>즉, 대립 가설은 연구 가설과 동일하다고 볼 수 있습니다. 이를 통해 <code>통계적 가설 검정(Statistical Hypothesis Test)</code>을 진행할 수 있습니다.</p>

<p>예를 들어, 나의 출근 시간이 평균적으로 오전 9시라는 가설을 가정한다면 <code>귀무 가설</code>과 <code>대립 가설</code>은 다음과 같이 표현될 수 있습니다.</p>

<ul>
  <li>귀무 가설 : \(\mu = 9\)</li>
  <li>대립 가설 (1) : \(\mu \neq 9\)</li>
  <li>대립 가설 (2) : \(\mu &lt; 9\)</li>
  <li>대립 가설 (3) : \(\mu &gt; 9\)</li>
</ul>



<h2 id="기계-학습에서의-가설">기계 학습에서의 가설</h2>

<p><code>기계 학습(Machine Learning)</code>에서의 가설은 <code>통계적 가설 검정(Statistical Hypothesis Test)</code>이 되며, 데이터간에 변수 간의 관계가 있는지 확률론적으로 설명하게 됩니다.</p>

<p>즉, 기계 학습에서의 가설은 <code>독립 변수(X)</code>와 <code>종속 변수(Y)</code>를 가장 잘 <code>매핑(Mapping)</code>시키는 기능을 학습하기 위해 사용합니다.</p>

<p>그러므로 독립 변수와 종속 변수간에 <strong>관계를 가장 잘 근사(Approximation)시키기 위해 사용됩니다.</strong></p>

<p><code>단일 가설(Single Hypothesis)</code>은 \(h\)로 나타내고, <code>가설 집합(Hypothesis Set)</code>은 \(H\)로 나타냅니다.</p>

<p><code>단일 가설(Single Hypothesis)</code>은 <strong>입력을 출력에 매핑하고 평가하고 예측하는 데 사용할 수 있는 단일 모델(Model)을 의미합니다.</strong></p>

<p><code>가설 집합(Hypothesis Set)</code>은 <strong>출력에 입력을 매핑하기 위한 가설 공간(Hypothesis Space)으로 모든 가설을 의미합니다.</strong></p>



<h2 id="가설-표현">가설 표현</h2>

<div>
<div>
<table>
  <thead>
    <tr>
      <th>X</th>
      <th>Y</th>
    </tr>
  </thead>
  <tbody>
    <tr>
      <td>1</td>
      <td>0.91</td>
    </tr>
    <tr>
      <td>2</td>
      <td>1.84</td>
    </tr>
    <tr>
      <td>3</td>
      <td>2.91</td>
    </tr>
    <tr>
      <td>4</td>
      <td>3.64</td>
    </tr>
    <tr>
      <td>5</td>
      <td>4.6</td>
    </tr>
    <tr>
      <td>6</td>
      <td>6</td>
    </tr>
    <tr>
      <td>7</td>
      <td>6.51</td>
    </tr>
    <tr>
      <td>8</td>
      <td>6.72</td>
    </tr>
    <tr>
      <td>9</td>
      <td>8.46</td>
    </tr>
    <tr>
      <td>10</td>
      <td>10</td>
    </tr>
    <tr>
      <td>…</td>
      <td>…</td>
    </tr>
  </tbody>
</table>
</div>
<p><img data-src="/assets/posts/Python/PyTorch/lecture-3/1.webp" width="100%" height="100%" src="/assets/posts/Python/PyTorch/lecture-3/1.webp">
</p>
</div>

<p>만약 <code>독립 변수(X)</code>와 <code>종속 변수(Y)</code>의 관계가 다음과 같다고 가정했을 때, 데이터와 그래프를 보여줍니다.</p>

<p><code>데이터(X, Y)</code>를 기반으로 <code>가설(Hypothesis)</code>을 세울 수 있게 됩니다.</p>

<p><strong>빨간색 선</strong>이 <code>가설(Hypothesis)</code>을 의미하며 수식으로는 \(y = ax + b\)로 표현할 수 있습니다.</p>

<p>\(a\) 는 <strong>기울기</strong>가 되며, \(b\)는 <strong>절편</strong>이 됩니다. 단, 기계 학습에서는 \(y = ax + b\)의 형태가 아닌 \(H(x) = Wx + b\)로 표현합니다.</p>

<p>\(H(x)\)는 <strong>가설(Hypothesis)</strong>, \(W\)는 <strong>가중치(Weight)</strong>, \(b\)는 <strong>편향(Bias)</strong>을 의미합니다.</p>

<p>기계 학습에서는 <strong>회귀 분석(Regression)</strong>을 통해 <strong>최적의 가중치(Weight)와 편향(Bias)을 찾는 과정을 진행하게 됩니다.</strong></p>

<p><strong>학습이 진행될 때 마다 기울기와 편향이 지속적으로 바뀌게 됩니다.</strong></p>

<p>마지막으로 학습이 된 결과를 <code>모델(Model)</code>이라 부르며, 이 모델을 통해 새로운 입력값을 <code>예측(prediction)</code>하게 됩니다.</p>

        
      </section></div>

076923 : Main

가설(Hypothesis) 가설(Hypothesis)이란 어떤 사실을 설명하거나 증명하기 위한 가정으로 두 개 이상의 변수의 관계를 검증 가능한 형태로 기술하여 변수 간의 관계를 예측하는 것을 의미합니다. 가설에는 크게 연구 가설(Research Hypothesis), 귀무 가설(Null Hypothesis)과 대립 가설(Alternative Hypothesis)로 나눌 수 있습니다. 연구 가설(Research Hypothesis)은 연구자가 검증하려는 가설로 귀무 가설을 부정하는 것으로 설정한 가설을 증명하려는 가설입니다. 귀무 가설(Null Hypothesis)은 통계학에서 처음부터 버릴 것을 예상하는 가설입니다. 변수 간 차이나 관계가 없음을 통계학적 증거를 통해 증명하려는 가설입니다. 대립 가설(Alternative Hypothesis)은 귀무 가설과 반대되는 가설로 귀무 가설이 거짓이라면 대안으로 참이되는 가설입니다. 즉, 대립 가설은 연구 가설과 동일하다고 볼 수 있습니다. 이를 통해 통계적 가설 검정(Statistical Hypothesis Test)을 진행할 수 있습니다. 예를 들어, 나의 출근 시간이 평균적으로 오전 9시라는 가설을 가정한다면 귀무 가설과 대립 가설은 다음과 같이 표현될 수 있습니다. 귀무 가설 : \(\mu = 9\) 대립 가설 (1) : \(\mu \neq 9\) 대립 가설 (2) : \(\mu < 9\) 대립 가설 (3) : \(\mu > 9\) 기계 학습에서의 가설 기계 학습(Machine Learning)에서의 가설은 통계적 가설 검정(Statistical Hypothesis Test)이 되며, 데이터간에 변수 간의 관계가 있는지 확률론적으로 설명하게 됩니다. 즉, 기계 학습에서의 가설은 독립 변수(X)와 종속 변수(Y)를 가장 잘 매핑(Mapping)시키는 기능을 학습하기 위해 사용합니다. 그러므로 독립 변수와 종속 변수간에 관계를 가장 잘 근사(Approximation)시키기 위해 사용됩니다. 단일 가설(Single Hypothesis)은 \(h\)로 나타내고,...

Python Pytorch 강좌 : 제 3강 - 가설(Hypothesis)

댓글