Walking Downhill

Objective Functions


목적함수(objective function)는 관측별 손실을 평균해 매개변수 θ마다 값 하나를 정한다. 자료는 고정되고 θ만 바뀌므로, 학습은 J(θ)를 가장 작게 만드는 θ를 찾는 일이 된다.

J(θ)(1/n)Σ𝓛(ŷᵢ(θ), yᵢ)이며 자료 전체의 평균 손실이다.
arg min과 minarg min은 최소화하는 θ, min은 그때의 목적함수 값이다.
닫힌 해명시적인 수식으로 나타낸 해이며 없으면 반복 최적화를 쓴다.

θ가 바뀌면 관측별 손실과 목적함수 값이 함께 바뀐다

모델 ŷ = θx에서 θ를 바꾸면 네 관측의 제곱 손실 막대와 그 평균 J(θ), 곡선 위의 현재 위치가 함께 바뀐다.

관측별 손실네 관측의 제곱 손실목적함수 곡선θ에 따른 J(θ)
왼쪽 막대는 관측 i의 손실 𝓛(ŷᵢ, yᵢ) = (yᵢ − θxᵢ)²이며 빨간 막대가 가장 큰 손실이다. 오른쪽 곡선은 θ마다 계산한 J(θ), 초록 점은 현재 θ, 짙은 점선은 J가 최소인 θ̂다.

닫힌 해가 없으면 반복해서 해를 찾는다

모델마다 목적함수를 최소화하는 θ를 수식 하나로 쓸 수 있는지가 다르다.

모델닫힌 해계산 방법
최소제곱 선형 회귀있음행렬 분해 등으로 계산
로지스틱 회귀일반적으로 없음반복 최적화
신경망일반적으로 없음반복 최적화
행은 모델, 초록 칸은 닫힌 해가 있는 경우다.

닫힌 해가 없는 모델은 현재 θ에서 목적함수가 줄어드는 방향을 계산해 조금씩 움직인다. 그래디언트는 국소적으로 가장 가파르게 증가하는 방향이므로 그 반대 방향 −∇J(θ)로 갱신하며, 이것이 다음 주제의 경사하강법이다.