선형회귀모델로 보는 가중치(기울기,절편) 찾기 ; 경사하강법(GD)

 

 

 

경사하강법 ( Gradient Descent )

손실함수가 최소가 되는 파라미터(모델의 가중치)의 값(기울기가 0인 곳)을 찾기위한 방법

1. 어느 한 점 ${\theta }_j^{(n)}$에서의 순간기울기를 구해본다.
2. ${\theta }_j^{(n)}$에서의 순간기울기의 반대 방향($-\frac{\partial }{\partial {\theta }_j}J({\theta }^{(n)})$)으로 조금 이동($\gamma$)시킨다.
3. 위의 과정을 순간기울기가 0으로 수렴될 때까지 반복한다.

위의 과정을 공식으로 나타낸다면 아래와 같다.

$${\theta }_j^{(n+1)}={\theta }_j^{(n)}-\gamma \frac{\partial }{\partial {\theta }_j}J({\theta }^{(n)})$$

여기서 $\gamma$를 학습률(Learning rate)이라 부른다.

적당한 학습률로 경사하강법을 충분히 많이 반복하면서 파라미터을 갱신하면 손실함수가 최소값으로 수렴한다.

 

파이썬 코딩을 통해서 경사하강법에 자세히 알아보자.

손실함수 $J$는 기울기와 절편에 대해서 2차 함수이므로 가장 단순한 $x^2$을 함수로 갖는다고 가정하자.

import numpy as np
import matplotlib.pyplot as plt

x_ = np.arange(-4.5,4.5,step=0.1)
y_ = x_**2

plt.figure(figsize = (8,6))
plt.plot(x_,y_)
plt.xlabel('theta')
plt.ylabel('Loss function J')
plt.show()

만약 첫 파라미터(모델의 가중치 ; 모델의 기울기 또는 절편)을 4라고 가정한다면

plt.figure(figsize = (8,6))
plt.plot(x_,y_)
plt.scatter(4, 4**2, s=200, c='r')
plt.show()

다음과 같은 손실함수 값을 가지게 된다.

여기서 경사하강법을 이용하여 0.01의 학습률로 5번 반복한다면

x = 4
y = x**2
lr = 0.01
iter_ = 5

plt.figure(figsize = (8,6))
plt.plot(x_,y_)
plt.xlabel('theta')
plt.ylabel('Loss function J')
plt.scatter(x,y, c='r', s=200)

for _ in range(iter_):    
    dy_dx = 2*x
    x = x - lr*dy_dx
    y = x**2
    plt.scatter(x,y, c='g', s=200)
    
plt.show()

이렇게 점점 그래프의 선을 따라 내려가게 되기때문에 경사하강법이라 부른다.

위의 그래프는 너무 작은 학습률과 적은 반복횟수로 손실함수가 최소가 되는 곳까지 내려가지 못했다.

 

이번엔 학습률을 1.2로 크게 준다면

x = 4
y = x**2
lr = 1.2
iter_ = 5
# ~ 생략 ~

다음과 같이 수렴하지않고 오히려 발산하게 된다.

이번엔 학습률을 0.1로 주면

x = 4
y = x**2
lr = 0.1
iter_ = 5
# ~ 생략 ~

적당한 속도로 내려가고 있는 것을 볼 수 있다.

이제 학습률을 0.1로 고정하고 반복횟수를 50번으로 늘린다면

x = 4
y = x**2
lr = 0.1
iter_ = 50
# ~ 생략 ~

손실함수가 최소가 되는 곳으로 수렴하는 것을 볼 수 있다.

 

그렇다면 학습률을 0.01로 주고 반복횟수를 500회 한다면

x = 4
y = x**2
lr = 0.01
iter_ = 500
# ~ 생략 ~

프로그램이 돌아가는데 시간이 좀 걸리긴했지만 손실함수가 최소가 되는 곳으로 수렴하는 것을 볼 수 있다.

 

따라서 작은 학습률로 최대한 많이 반복한다면 손실함수가 최소가 되는 곳으로 수렴하는 곳을 비교적 정확히 찾을 수 있게 된다.

하지만 너무 작은 학습률로 많이 반복시킨다면 그만큼 시간이 많이 걸린다.(비용증가)

복잡한 모델에서의 손실함수

이런 모델에서 경사하강법을 사용한다면 보통 3종류의 최저점을 찾게 된다.

Global Minima

  우리가 찾는 곳이다.

Saddle Point

  어느 한 단면에서 봤을 때 아래로 볼록한 그래프가 되어 Saddle Point로 수렴하는데, 이럴때 다른 단면(파라미터)로 움직인다면 빠져나올 수 있다.

Local Minima

  보통 골이 얕기 때문에 학습률을 한 번 크게 주어 발산하게 만든다면 빠져나올 수 있다. (Cosine Annealing learningrate)

 

보통 임의의 점 100개찍고 각 점에서 경사하강법을 적용하여 Global Minima를 찾는 방법으로 문제를 해결할 수 있다.