우선 좋은 답변 감사합니다. 그런데 질문에서 쓴 S(x)의 x가 저는 (theta^T) * x 를 말한 것 입니다.(영상에서 로지스틱 가설 함수의 (theta^T) * x를 생략해서 x라고 쓰는 것 같아서요. 아니면 죄송합니다.) 그래서 제가 여쭤보고 싶은 것은 로지스틱 가설 함수의 값이 1/2 이상이 되는 구간이 -(theta0 + theta1*x) >= 0이 되는 구간이니까 답변자님께서 써주신 x >= -theta0/theta1를 만족하는 x의 구간과 같습니다. 그렇다면 시그모이드 함수를 굳이 합성하지 않아도 x >= -theta0/theta1를 통해서 분류를 할 수 있지 않을까하는 것이 저의 질문입니다.

주로 가설함수 결과값이 1/2인 지점으로 분류가 진행된다길래 생긴 질문입니다!

오 제가 반은 이해하고 반은 또 이해를 못 했네요. 이것도 굉장히 좋은 질문입니다!

시그모이드 함수를 합성하는 이유는 시그모이드의 y값의 범위가 0~1로 제한되기 때문이라고 생각하시면 될 것 같습니다.

분류 문제는 (이진 분류로 한정해서 생각합시다!) 종속함수가 0 또는 1입니다. 회귀 문제는 종속함수가 실수의 범위에 있습니다. 또, 제가 올해 먹은 포카칩의 갯수를 맞추는 문제(빈도수, frequency)를 푼다면 이는 0, 1, 2,3, ...과 같은 자연수가 될 것이에요

말씀하신 것처럼, 시그모이드 함수를 싸지 않으면 가설함수의 아웃풋이 0~1을 벗어나게 될 것입니다.

분류 문제는 (이진 분류로 한정해서 생각합시다!) 종속함수가 0 또는 1입니다. 회귀 문제는 종속함수가 실수의 범위에 있습니다. 또, 제가 올해 먹은 포카칩의 갯수를 맞추는 문제(빈도수, frequency)를 푼다면 이는 0, 1, 2,3, ...과 같은 자연수가 될 것이에요. 그래서 시그모이드 함수를 싸지 않으면 가설함수의 아웃풋이 0~1을 벗어나게 되는 문제가 있기에 시그모이드 함수로 포장을 해 주는 것이라고 생각하시면 될 것 같아요

이 주제에 대해서 더 궁금하시다면 일반화 선형모형(Generalized Linear model, GLM)에 대해 찾아보시면 좋을 것 같습니다.

감사합니다ㅎㅎ