본문 바로가기

PT 준비 내용

 (3)
변수 변환과 야코비안 확률 분포 함수에서 비선형 변수 변환을 수행할 때는 단순히 함수 값을 변환하는 것이 아니라, **야코비안 행렬(Jacobian matrix)**을 통해서 확률 밀도 함수의 변형을 고려해야 합니다. 이는 변환된 변수 공간에서도 확률 분포가 일관성을 가지도록 하기 위한 것입니다. 확률 보존의 원리: 변환 전 확률 질량이 변환 후에도 동일해야 합니다. 즉, p(x) dx=p(y) dyp(x) \, dx = p(y) \, dyp(x)dx=p(y)dy 관계가 성립합니다.야코비안의 역할: 야코비안 행렬의 절대값은 새로운 변수 공간에서의 스케일링 효과를 나타냅니다. 즉, 변환 후 공간에서의 미소 구간이 어떻게 변화하는지를 나타내며, 이를 통해 변환 후의 확률 밀도 함수 값이 조정됩니다. 비선형 변수 변환 시 확률 분..
다항식 곡선 피팅 코드 2024.11.14 - [PT 준비 내용] - 다항식 곡선 피팅 - 정규 방정식, 모델 결정, regularization 다항식 곡선 피팅 - 정규 방정식, 모델 결정, regularization1.1 다항식 곡선 피팅실숫값의 입력 변수인 x 를 관찰한 후 이 값을 바탕으로 실숫값의 타깃 변수, t 를 예측sin(2 pi x) 함수를 활용한 데이터 생성, 노이즈 포함# 데이터 생성x = np.linspace(0, 1, 100) # 0teach-meaning.tistory.comimport numpy as npimport matplotlib.pyplot as plt# 랜덤 시드 설정 (재현 가능성)np.random.seed(42)# 데이터 생성x = np.linspace(0, 1, 100) # 0에서 1..
다항식 곡선 피팅 - 정규 방정식, 모델 결정, regularization 1.1 다항식 곡선 피팅실숫값의 입력 변수인 x 를 관찰한 후 이 값을 바탕으로 실숫값의 타깃 변수, t 를 예측sin(2 pi x) 함수를 활용한 데이터 생성, 노이즈 포함# 데이터 생성x = np.linspace(0, 1, 100) # 0에서 1 사이의 100개 점y_true = np.sin(2 * np.pi * x) # sin(2πx) 함수 값noise = np.random.normal(0, 0.1, size=x.shape) # 평균 0, 표준편차 0.1인 가우시안 노이즈y_noisy = y_true + noise # 노이즈가 추가된 데이터N(100) 개의 관찰값 x 로 이루어진 훈련 집합 x 와 그에 해당하는 표적값 t 가 주어짐입력 데이터 집합은 서로 간에 같은 거리를 가지도록 x_n 값..

티스토리툴바