Class 1
(⬤)
Class 0 (▲)
★ Q1 강조 데이터
W = [?, ?], b = ?
★ X = [?, ?]
Epoch: 0
신경망 연결 상태도
가중치(+) 가중치(−)Step 1. 선형 분류와 1차함수 시각화
💡 손실함수 $E(a)$는 어떻게 유도되었을까요?
오차(Loss)는 모델의 예측값과 실제 정답(Label) 간의 차이를 의미합니다.
우리는 이 차이를 제곱하여 모두 더한 평균 제곱 오차(MSE)를 사용합니다.
$E = \frac{1}{N} \sum (\text{예측값} - \text{정답})^2$
이 식을 가중치 $a$에 대해 정리하면, 아래 스텝 2에서 다루는 2차 함수 형태의 손실함수 $E(a)$가 유도됩니다.
우리는 이 차이를 제곱하여 모두 더한 평균 제곱 오차(MSE)를 사용합니다.
$E = \frac{1}{N} \sum (\text{예측값} - \text{정답})^2$
이 식을 가중치 $a$에 대해 정리하면, 아래 스텝 2에서 다루는 2차 함수 형태의 손실함수 $E(a)$가 유도됩니다.
🔬 왼쪽 패널에서 은닉층 → 1개로 변경한 뒤 학습을 시작하면, 네트워크 다이어그램의 각 노드 내부에 해당 노드가 학습한 개별 경계 미니맵이 실시간으로 표시됩니다.
💡 도우미: 초매개변수 역할 가이드
- 은닉층의 개수 (깊이): 층이 깊어질수록 데이터를 여러 단계에 걸쳐 접고 휘게 만들어, 직선 하나로는 나눌 수 없는 복잡한 패턴을 풀 수 있게 해줍니다.
- 노드의 역할 (너비): 각 노드는 공간을 가르는 하나의 직선(경계)을 만듭니다. 노드가 많아질수록 여러 직선들을 조합하여 다각형이나 복잡한 굽은 선을 정교하게 만들어냅니다.
- 다차원 특성 ($x_1^2, x_2^2, x_1x_2$): 기존의 2차원 평면 데이터를 곡면으로 구부려 새로운 관점에서 보게 합니다. 은닉층 없이도 원형이나 포물선 형태의 경계를 빠르게 찾을 수 있도록 돕습니다.
Train Loss
—
—
Test Loss
—
—
Epoch
0
0
은닉층, 다차원 특성(x², xy), 학습률을 자유롭게 조작하여 Test Loss를 최소화하세요. 최종 Test Loss는 상대평가로 10점부터 차등 부여됩니다.
기록된 Test Loss: 미기록