본문 바로가기

전체 글477

Chap 09 Support Vector Machines - The Support Vector Machine Classifier Non-Linear Classifier The support vector classifier는 꽤나 생각하기 쉬운 모델입니다. 그러나 linear decision boundary기 때문에 강력하지는 않습니다. 선형 회귀를 비선형 회귀로 확장해봅니다. $Y_{i} = \beta_{0} + \beta_{1} b_{1}(X_{i}) + \beta_{2} b_{2}(X_{i}) +... + \beta_{p} b_{p}(X_{i}) + \varepsilon_{i}$ A Basis Approach Support vecotr classifier와 비슷한 접근을 취할 수 있습니다. Ths support vecotr classifier가 $X_{1}, X_{2}, ..., X_{p}$에 의해 확장된 공간 안에서 the .. 2019. 10. 16.
정규분포 with python 정규분포 확률밀도함수 정규분포의 확률밀도함수는 다음과 같습니다. $n(x;\mu, \sigma) = \frac {1}{\sqrt {2\pi}\sigma} e^{-\frac {1}{2\sigma^{2}}(x-\mu)^{2}}$, $-\infty 정규분포 평균 변형 legend = [] def norm (mu, var) : legend.append("N(" + str(mu) + ", " + str(var) + ")") return stats.norm(mu, var).pdf(x) plt.figure(figsize=(8, 6)) # 플롯 사이즈 지정 for i in np.arange(4) + 1: plt.plot(x, norm(i, 1)) # plot 추가 plt.xlabel("x") # x축 레이블 지정 pl.. 2019. 10. 15.
Chap 09 Support Vector Machines - The Support Vector Classifier Separable Hyperplanes 두 개의 predictors $X_{1}$과 $X_{2}$를 가진 two class classification problem이 있습니다. 두 classes는 "linearly separable"이라고 가정해봅니다. 즉, 직선을 긋고 한쪽의 모든 포인트는 첫 번째 class에 그리고 나머지 사이드의 포인트는 두 번째 class에 속합니다. 자연스럽게 접근하는 방법은 가장 classes를 잘 나눌 수 있는 직선을 찾는 것입니다. 즉, 포인트들이 직선하고 멀 수록 좋습니다. 이것이 support vecotr classifier의 기본적인 아이디어입니다. Tis Easiest To See With A Picture C는 각 포인트와 분리하는 선 사이의 최소 수직거리입니다... 2019. 10. 15.
감마분포 with python 감마분포 확률밀도함수 감마분포의 확률밀도함수는 다음과 같습니다. $f(x; \alpha, \beta) = \frac {1}{\beta^{\alpha}\Gamma(\alpha)}x^{\alpha - 1} e^{-\frac {x}{\beta}}$ ($x > 0$) 감마분포 그래프 그리기(함수 사용) from numpy import linspace, exp # numpy.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None, axis=0) # numpy.exp(x, /, out=None, *, where=True, casting='same_kind', order='K', dtype=None, subok=True[, signature, e.. 2019. 10. 14.

티스토리툴바