넘스탯

DATA ANALYTICS & INSIGHTS

확률에서 LLM까지 – 데이터 사이언스 전문 교육 플랫폼

학습 메뉴

도움말

선형 회귀 실습

경사하강법이 기울기와 절편을 조금씩 고쳐가며 최적의 직선을 찾는 과정을 실시간으로 관찰해 보세요

원하는 개념·랩·가이드를 검색해보세요

Ctrl K

기계학습 실습 메인

최적의 직선은 한 번에 계산되지 않고, 조금씩 찾아갑니다

선형 회귀는 기계학습에서 가장 오래된 도구입니다 — 최소제곱법은 Legendre(1805)와 Gauss가 정립했고, "회귀"라는 이름은 Galton의 평균으로의 회귀 연구에서 왔습니다. 이 실습에서는 그 고전적 문제를 경사하강법으로 조금씩 풀어가는 과정을 눈으로 봅니다. 손실이 줄어드는 모양을 이해하면, 뒤에 배울 신경망 학습도 같은 원리라는 것을 알게 됩니다.

이 페이지에서 배우고 나면

경사하강법이 기울기와 절편을 반복 갱신하며 손실(MSE)을 줄여가는 과정을 실시간으로 확인할 수 있습니다.
학습률과 에포크 수를 바꿨을 때 수렴 속도가 어떻게 달라지는지 비교할 수 있습니다.
MSE와 결정계수(R²)를 읽고 회귀 모델의 적합도를 판단할 수 있습니다.

이 실습의 학습·지표는 전부 실제 계산입니다. 함께 기억할 것:

차트의 데이터는 난수로 생성한 가상 예시입니다. "집값"·"아이스크림 판매량" 등의 이름은 이해를 돕기 위한 것일 뿐 실제 측정 데이터가 아닙니다.
이 정도 규모의 선형 회귀는 실무에서 정규방정식(닫힌 해)으로 한 번에 풉니다 — 경사하강법은 "학습 과정"을 보여주기 위한 선택이며, 특성 수가 매우 많을 때 실용적입니다.
표시되는 MSE·R²는 훈련에 쓴 데이터에서 계산한 값입니다. 별도 테스트 데이터가 없으므로 일반화 성능이 아닙니다.

선형 회귀 실습

학습 목표: 선형 회귀의 기본 원리를 이해하고, 경사하강법을 통해 최적의 기울기와 절편을 찾아가는 과정을 시각화로 학습합니다.

데이터셋 설정

데이터셋 유형

아래 차트를 클릭하여 데이터 포인트를 추가하세요.

데이터 시각화 (0개 포인트)

직접 해보기 — 실습 과제

캔버스를 클릭해 점 10개를 직접 찍고 학습을 실행해, 손실 곡선이 감소하다 평평해지는 지점(수렴)을 찾아보세요.
같은 데이터에서 학습률을 최솟값과 최댓값으로 바꿔 두 번 학습시키고, 손실이 줄어드는 속도를 비교해 보세요 — 크다고 항상 빠른 것이 아닙니다.
노이즈 수준을 최소와 최대로 바꿔 샘플 데이터를 각각 생성하고, 학습 후 R² 값이 어떻게 달라지는지 기록해 보세요. 노이즈가 큰 데이터에서 R²가 낮은 것은 모델 탓이 아닙니다.