Ch 12. 딥러닝 입문 (분류)

Part.4 Classification

Regression vs Classification

Regression

  • Target

    • real-value vector.
    • e.g. monthly income
Classification
  • Target
    • Categorical value from finite set.
    • e.g. Word, Class, Symbol

In binary Classification

  • Sigmoid의 출력 값은 0에서 1이므로, 확률 값 20210720_144949으로 생각해볼 수 있음.
  • 마찬가지로, Classification 또한 확률 문제로 치활할 수 있음.

20210731_181447

In Binary Classification

  • 신경망은 True 클래스의 확률값을 뱉어낸다.

20210731_182508

If we extend this,

  • 신경망은 각 클래스 별 확률 값을 뱉어낸다.
    • 클래스 별 확률 값들을 전부 더하면 1.

20210731_183348

Architecture

  • 레이어를 깊게 쌓은 이후에, 마지막 Linear Layer 이후, Softmax 함수를 통과. (Sigmoid X)

20210731_183755

So far, we talked about

Regression
  • Target
    • real-value vector.
    • ex. monthly income
  • MSE Loss
  • Linear layer in the last
    • It returns real-value vector.
Classification
  • Target
    • Categorical value from finite set.
    • ex. Word, Class, Symbol
  • BCE or Cross Entropy Loss
  • Sigmoid or Softmas in the last.
    • it returns probability for each class.