본문 바로가기

반응형

통계학/통계이론

(3)
Generalized Linear Model (GLM) 🎯 1. 기본 아이디어부터 시작해보자✏️ 선형 모델(Linear Model)은 뭘까?아마 수학 시간에 이런 식으로 배운 적 있을 거야:y=w⋅x+by = w \cdot x + by=w⋅x+bx는 입력(예: 공부 시간)y는 결과(예: 시험 점수)w, b는 기울기와 절편👉 이건 예측하려는 결과(y)가 숫자일 때 쓰는 **선형 회귀(Linear Regression)**야!🧠 그런데 현실에서는 이런 경우도 있지?🎯 예시 1: 어떤 사람이 시험에 합격할지 (예/아니오)?→ 결과는 숫자가 아니라 **0 또는 1 (이진)**이야.🎯 예시 2: 하루에 고객이 몇 명 올지?→ 결과는 0, 1, 2, 3처럼 **정수값(횟수)**이야.👉 이럴 때는 그냥 선형 모델로는 맞추기 어려워.→ 그래서 나오는 게 바로 **..
최대 우도 추정법(Maximum Likelihood Estimation, MLE)이란? 🎯 최대 우도 추정법이란?"관측된 데이터가 가장 잘 나올 수 있게 만드는 확률(모델)의 파라미터를 찾는 방법"쉽게 말해:우리가 어떤 상황에서 실제로 데이터를 관찰했어.그 데이터가 가장 자연스럽게 나올 것 같은 확률을 계산해보고,**그 확률이 최대가 되는 조건(모델의 파라미터)**를 찾는 거야.🍀 비유로 이해해보자: 주사위 예시🎲 예시: 주사위를 10번 던졌더니 이런 결과가 나왔어:[6, 6, 6, 6, 6, 6, 6, 6, 6, 6]  이제 질문:이 주사위는 공정한 주사위일까? (각 면이 나올 확률이 1/6인?)👀 데이터(관측값)를 봤을 때, 모든 결과가 6이야!그러면 우리는 이렇게 생각할 수 있어:"공정한 주사위라면 6이 10번 연속 나올 확률은 너무 낮지 않아?""6만 나오는 특수 주사위라고 ..
우도함수 (Likelihood)를 쉽게 이해해보자 🎯 우도(Likelihood)란?✔️ 먼저, 상황을 가정해보자!네가 친구랑 동전을 던지는 실험을 했다고 해보자.친구가 어떤 동전 하나를 가져와서 10번 던졌더니앞면이 7번, 뒷면이 3번 나왔어.그럼 네 머릿속에 어떤 생각이 들까?"이 동전, 앞면이 나올 확률이 0.5가 아닐 수도 있겠다?"이럴 때, "앞면이 나올 확률이 어떤 값일 때, 실제로 앞면이 7번 나올 가능성이 가장 높을까?" 를 따지는 게 바로 우도를 이용하는 거야.  📌 우도 함수(Likelihood Function)간단히 말하면:어떤 확률값이 있을 때, 우리가 관측한 결과가 나올 "가능성(확률)"을 계산하는 함수우리가 결과를 봤을 때(예: 앞면 7번, 뒷면 3번)이 결과가 나올 수 있는 확률 p(앞면이 나올 확률) 중 어떤 값이 가장 가..

반응형