어떤 입력 값과 출력 값이 함수 관계를 이루기 위해서는 같은 입력 값에 대해서 항상 같은 출력 값이 나와야 한다.
함수에서 입력변수가 가질 수 있는 값의 집합을 정의역(domain), 출력변수가 가질 수 있는 값의 집합을 공역(range)이라고 한다.
● 연속과 불연속
함수의 값이 중간에 갑자기 변하는 것을 불연속(discontinuous)이라고 하고 그렇지 않으면 연속(continuous)이라고 한다.
● 지시 함수(indicator function)
함수 이름에 아래 첨자로 미리 지정된 값이 들어오면 출력이 1이 되고 아니면 출력이 0이 된다.
지시함수는 데이터 중에서 특정한 데이터만 선택하여 갯수를 세는데 사용된다.
● 역함수(inverse function)
어떤 함수의 입력/출력 관계와 정반대의 입출력 관계를 갖는 함수. 함수가 존재한다고 해서 항상 역함수가 존재할 수 있는 것은 아니다.
● 역함수의 그래프
역함수의 그래프는 원래의 함수에서 xx축과 yy축이 바뀐 것이므로 y=xy=x가 나타내는 직선(원점을 통과하는 기울기 1인 직선)을 대칭축으로 대칭인 함수의 그래프와 같다.
● 데이터 분석에서 많이 사용되는 함수들
- 다항식(polynomial) 함수: 거듭제곱 항의 선형조합으로 이루어진 함수다.
- 최대함수와 최소함수 : 최대함수는 두 개의 인수 중에서 큰 값을, 최소함수는 작은 값을 출력하는 함수
- 최대함수는 원래 두 개의 입력을 갖는 함수이지만 보통 y=0으로 고정해서 입력값 x가 양수이면 그대로 출력하고 음수일 때는 0으로 만들 때 주로 사용한다.
- 지수(exponential) 함수 : 거듭 제곱의 밑을 오일러 수 e(약 2.718)로 하여 거듭제곱을 하는 함수
- 지수 함수의 특성
- 양수(e)를 거듭제곱한 값이므로 항상 양수다.
- x=0일 때 1이 된다.
- x가 양의 무한대로 가면(x→∞), 양의 무한대로 다가간다.
- x가 음의 무한대로 가면(x→−∞), 0으로 다가간다.
- x1>x2이면 expx1>expx2 이다.
- 로지스틱(logistic) 함수 : 지수함수를 변형한 함수. 시그모이드(sigmoid) 함수라는 종류의 하나. 로지스틱함수가 가장 널리 쓰이기 때문에 보통 시그모이드 함수라고 하면 이 로지스틱함수를 뜻한다.
- 로그(log) 함수 : 지수 e를 거듭제곱하여 특정한 수 a가 되도록 하는 수를 log a라 표기하고 로그(log)라고 읽는다.
- 로그 함수의 특징
- x값, 즉 입력변수값이 양수이어야 한다. 0이거나 음수이면 정의되지 않는다.
- x>1x 이면 y>0 (양수)
- x=1x 이면 y=0
- 0<x<1 이면 y<0 (음수)
- x1>x2 이면 logx1>logx2 이다.
● 로그 함수의 성질
- 로그함수는 곱하기를 더하기로 변환한다.
- 어떤 함수에 로그를 적용해도 함수의 최고점, 최저점의 위치는 변하지 않는다.
- 로그함수는 0부터 1사이의 작은 값을 확대시켜 보여준다. (로그함수는 0부터 1사이의 구간을 음의 무한대부터 0까지로 확장시켜주기 때문에 확률값처럼 0과 1사이에 있는 작은 값을 더 확실하게 비교할 수 있도록 한다.)
- 소프트플러스(softplus) 함수 : 지수함수와 로그함수를 결합하여 만든 함수로 0을 인수로 갖는 최대함수와 비슷하지만 x=0 근처에서 값이 부드럽게 변한다는 장점이 있다.
- 다변수(multivariate) 함수 : 복수의 입력변수를 갖는 함수
- 분리가능(separable) 다변수 함수 : 단변수함수의 곱으로 표현 가능한 다변수함수
- 다변수 다출력 함수 : 출력변수도 여러개일 수 있다. 이 경우에는 출력을 벡터나 행렬로 나타낼 수 있다. 소프트맥스(softmax)함수는 다차원 벡터를 입력받아 다차원 벡터를 출력한다.
출력 벡터는 다음과 같은 특성을 갖는다.
- 모든 출력 원소는 0와 1 사잇값을 갖는다.
- 모든 출력 원소의 합은 1이다.
- 입력 원소의 크기 순서와 출력 원소의 크기 순서가 같다.
● 함수의 평행이동
● 함수의 스케일링
- 출처 : [데이터 사이언스 스쿨] math 4.1 함수
'IT 와 Social 이야기 > Python' 카테고리의 다른 글
[데이터 사이언스 스쿨] math 4.3. 적분 (0) | 2021.05.03 |
---|---|
[데이터 사이언스 스쿨] math 4.2 심파이를 사용한 함수 미분 (0) | 2021.05.03 |
[데이터 사이언스 스쿨] math 3.5 PCA(Principal Component Analysis) (0) | 2021.04.30 |
[데이터 사이언스 스쿨] math 3.4 특잇값 분해 (0) | 2021.04.30 |
[데이터 사이언스 스쿨] math 3.3 고윳값 분해 (0) | 2021.04.30 |