| 일 | 월 | 화 | 수 | 목 | 금 | 토 |
|---|---|---|---|---|---|---|
| 1 | 2 | |||||
| 3 | 4 | 5 | 6 | 7 | 8 | 9 |
| 10 | 11 | 12 | 13 | 14 | 15 | 16 |
| 17 | 18 | 19 | 20 | 21 | 22 | 23 |
| 24 | 25 | 26 | 27 | 28 | 29 | 30 |
- 코루틴 빌더
- JanusWebRTCServer
- vfr video
- python
- ErrorResponse
- 자원부족
- taint
- terminal
- tolerated
- RouteLocator
- mp4fpsmod
- 겨울 부산
- pytest
- PersistenceContext
- 개성국밥
- addhooks
- kotlin
- Spring Batch
- preemption #
- VARCHAR (1)
- 깡돼후
- 코루틴 컨텍스트
- Value too long for column
- PytestPluginManager
- 달인막창
- gitflow-shFlags
- JanusWebRTCGateway
- JanusGateway
- table not found
- JanusWebRTC
너와 나의 스토리
Bayesian Decision Theory 본문
연어와 농어를 길이와 밝기로 구분한다고 해보자
경계선을 기준으로 길이가 11cm 보다 작으면 연어, 크면 농어라고 할 때, 오차는 왼쪽에서는 빨간선(농어) 아래 너비와 같다.
- prior 정보만 가지고 결정
- 만약 P(w1) > P(w2)이면 w1 결정
- class-conditional(=likelihood) 정보 사용
- P(x|w1)과 P(x|w2)는 연어와 농어의 개체군 사이의 밝기 차이를 설명한다.
- P(x|w1) 뜻: 물고기 종류가 w1일 때, 밝기가 x일 확률
Posterior, likelihood, evidence
prior probability: P(w) -> 데이터 자체의 분포
Likelihood probability: P(x|w) -> 데이터로 구할 수 있음
Posterior probability: P(w|x) -> 우리가 알아내야 할 것
Posterior P($w_j$|x)에서 $w_j$가 우리가 구해야할 parameter
- error 확률을 최소화 해야한다.
- 만약 P($w_1$|x)>P($w_2$|x)이면 $w_1$을 결정
- P(error|x)= min [P($w_1$|x),P($w_2$|x)]
https://taeoh-kim.github.io/blog/머신러닝에서의-확률-분포-랜덤-변수-그리고-maximum-likelihood/
머신러닝에서의 확률 분포, 랜덤 변수 그리고 Maximum Likelihood
Computer Vision and Machine Learning Study Post 4 머신러닝에서의 확률 분포, 랜덤 변수 그리고 Maximum Likelihood Reference는 다음과 같습니다. 1. 우리는 왜 확률을 배우는가? 머신 러닝 정의는, 관측된 Data(=Training Sample)로부터 Model을 설계하는 것이다. 확률적 개념이 들어간다면, 관측된 Data는 진짜 Data가 아니라 진짜 Data로부터 Random하게 Sampli
taeoh-kim.github.io
출처: [A First Course in Probability, 8th edition]
'Data Analysis > Probability and statistics' 카테고리의 다른 글
| 확률질량함수와 확률밀도함수 (0) | 2019.11.28 |
|---|---|
| Multi-class에서 Precison과 Recall 구하기 (0) | 2019.11.24 |
