선형 회귀
변수 간의 선형 관계를 통해 연속적인 값을 예측하는 머신러닝 모델입니다.
설명
선형 회귀는 독립 변수와 종속 변수 사이의 선형 관계를 모델링하여 연속적인 값을 예측하는 알고리즘입니다.
가장 기본적이고 널리 사용되는 회귀 분석 방법으로, 데이터의 패턴을 선형 방정식으로 표현합니다.
주택 가격 예측, 매출 예측, 온도 예측 등 다양한 회귀 문제에 활용됩니다.
포트 구성
입력 포트
없음
출력 포트
- 미학습 모델: 학습되지 않은 선형 회귀 모델 (학습 노드에 연결하여 사용)
속성
모드
회귀 모델의 유형과 규제 방법을 선택합니다.
-
단순: 규제 없이 독립 변수와 종속 변수 간의 선형 관계를 학습합니다
- 가장 기본적인 형태
-
릿지 (Ridge): L2 규제를 적용한 모델
- 모델의 가중치를 제한하여 과적합 방지
- 변수들 간의 상관관계가 높을 때 유용
-
라쏘 (Lasso): L1 규제를 적용한 모델
- 일부 가중치를 0으로 만들어 변수 선택 가능
- 중요하지 않은 변수를 자동으로 제거
-
엘라스틱넷 (ElasticNet): L1 + L2 규제를 결합한 모델
- 변수 선택과 과적합 방지를 동시에 수행
- 상관관계가 높고 변수 선택이 필요한 경우 유용
사용 방법
- 선형 회귀 노드를 캔버스에 추가합니다
- 모드를 선택합니다 (단순, 릿지, 라쏘, 엘라스틱넷)
- 출력된 미학습 모델을 모델 학습 노드에 연결합니다
- 학습용 데이터셋을 모델 학습 노드에 연결합니다
- 학습이 완료되면 학습된 모델을 일괄 예측 노드와 모델 평가 노드에서 사용할 수 있습니다
예제
