Machine learningMachine learning
온라인 선형 회귀
온라인 선형 회귀는 관측치 하나씩 선형 모델을 적합시키며, 각 새로운 데이터 포인트가 도착할 때마다 가중치를 점진적으로 업데이트합니다. 배치 최소 제곱법과 달리 전체 데이터셋을 저장하거나 재처리할 필요가 없어 스트리밍 데이터, 매우 큰 데이터셋, 그리고 데이터 생성 프로세스가 시간이 지남에 따라 변할 수 있는 환경에 적합합니다.
방법 전문 읽기
회원 전용
로그인무료 계정으로 로그인하면 이 섹션을 읽을 수 있습니다.
Method map
The neighbourhood of related methods — select a node to explore.
출처
- Shalev-Shwartz, S. (2012). Online Learning and Online Convex Optimization. Foundations and Trends in Machine Learning, 4(2), 107–194. DOI: 10.1561/2200000018 ↗
- Haykin, S. (2002). Adaptive Filter Theory (4th ed.). Prentice Hall. ISBN: 978-0130901262
이 페이지 인용 방법
ScholarGate. (2026, June 3). Online Linear Regression (Incremental Least-Squares). ScholarGate. https://scholargate.app/ko/machine-learning/online-linear-regression
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- 선형 회귀 (ML)머신러닝↔ compare
- 온라인 학습머신러닝↔ compare
- 온라인 로지스틱 회귀머신러닝↔ compare
- 정규화 선형 회귀머신러닝↔ compare
- 릿지 회귀(Ridge Regression)머신러닝↔ compare
- 확률적 경사 하강법(Stochastic Gradient Descent, SGD)머신러닝↔ compare