# 4-1 의미 대조 검수

이 검수는 이미 선별된 불확실 음성 653개 문맥 창의 원전사와 2차 전사를 읽어 대조한 것입니다. 강의 전체 8시간의 직접 청취 검증이 아닙니다. 창별 개수는 주된 판정으로 분류하며, 학습 보류 창에도 일부 자료 근거 정정이 포함될 수 있습니다. 두 모델이 같은 오류를 낼 수 있으므로 의미 차이 미발견은 정답 인증이 아닙니다. 교정은 자료에서 확인되는 내용 또는 명시한 수학적 보충이며 교수님의 실제 발언으로 재구성하지 않습니다. 창 경계에서 잘린 문장은 인식 오류와 구별했습니다.

## 4-1 창 0000 · 00:00:05–00:00:22 · 중요한 의미 차이 미발견

시작/선형회귀 추정 복습이며 선용배기·선형폐기 등 용어 오인식 외 중요 명제 차이는 없다.

![[review/audio/4-1/clips/0000.m4a]]

근거 파일: [[review/audio/4-1/0000.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 자 지금부터 데이터 마이닝 리니어 리그레이션 두 번째 시작을 하겠습니다. 지난 시간까지 선용 배기 모델을 어떻게 적합시키는지, 러닝이 무엇인지에 대한 가정사항, 그리고 추정하는 것이 무엇을 의미하는지, 우리가 파라미터를 추정할 때 어떤 방식으로 추정하는지

2차 전사:  두 번째 시작을 하겠습니다. 지난 시간까지 선형폐기 모델을 어떻게 적합시키는지, 러닝이 무엇인지에 대한 가정사항, 그리고 추정하는 것이 무엇을 의미하는지 우리가 파라미터를 갖다가 추정할...

## 4-1 창 0001 · 00:01:54–00:02:03 · 중요한 의미 차이 미발견

error/잔차/residual 용어를 되찾은 정도이며 미설명 변동의 취지는 같다. 오차와 잔차의 구분은 별개 검토사항이다.

![[review/audio/4-1/clips/0001.m4a]]

근거 파일: [[review/audio/4-1/0001.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 나머지 부분들을 틀렸다, 이 정도의 변동성에 대한 설명을 하지 못했구나라고 해서 L 어떤 문제, 잔차라고 레지디얼이라고 설명한 바 있습니다. 그래서 우리가 어떤 학습 모델을 만진다는 것은

2차 전사:  변동성에 대한 설명을 하지 못했구나 라고 해서 error 또는 잔차라고 residual이라고 설명한 바 있습니다. 자 그래서 우리

## 4-1 창 0002 · 00:02:45–00:02:52 · 중요한 의미 차이 미발견

거리합을 최소화할 β 추정이라는 공통 취지. 두 번째 시기/시켰고요 차이는 수식 결론을 바꾸지 않는다.

![[review/audio/4-1/clips/0002.m4a]]

근거 파일: [[review/audio/4-1/0002.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 100만 개에 대한 각각의 거리를 구해서 그 거리값들의 합을 최소화하도록 만들어주는 베타들을 추정하면 되지 않겠습니까? 두 번째 시기였고요. 그리고 이러한 파라미터들을 구하는 방식에 대해서 최소 제곱법에 의해서 우리가 구한다고 얘기한 바 있었어요.

2차 전사:  하도록 만들어주는 베타들을 추정하면 되지 않겠습니까? 이렇게 두 번째 시켰고요. 그리고 이러한 파라미터들을 구하는 방법을...

## 4-1 창 0003 · 00:04:01–00:04:14 · 자료 근거 정정 있음

편미분·convex 용어가 현미복·컴팩스로 더 훼손되어 정상방정식 의미를 화면 기준으로 정규화한다.

![[review/audio/4-1/clips/0003.m4a]]

근거 파일: [[review/audio/4-1/0003.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 실제 해당되는 베타0와 베타1에 대한 편미분 값들을 그 값이 전부 다 0에서 그러니까 우리가 이제 이런 식의 베타0를 기준으로 해서도 컨백스하고요. 베타1을 대상으로 해서도 컨백스하기 때문에

2차 전사:  현미복 값들을 그 값이 전부 다 0에서 그러니까 우리가 이제 이런 식의 베타 0을 기준으로 해서도 컴팩스하고요. 베타 1을 대상으로 해서도

**자료·검토에 따른 정정:** β0,β1에 대한 편미분을0으로 놓는 최소제곱 정상방정식

근거: β0/β1 편미분식과 =0이 보인다.

자료: 5._Linear_Regression_II · 물리 페이지/슬라이드 9

[[pdf/5._Linear_Regression_II/page-009.jpg|자료 화면 열기]]

## 4-1 창 0004 · 00:04:46–00:05:02 · 자료 근거 정정 있음

LSE가 LST로 바뀌었다. 화면의 최소제곱 명칭으로 교정한다.

![[review/audio/4-1/clips/0004.m4a]]

근거 파일: [[review/audio/4-1/0004.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 이런 방식으로 우리가 리스트 스퀘어 엘스티메이션 알고리즘, LSE라고 보통 얘기를 합니다. 자 최소제곱법인 리스트 스퀘어 이스티메이터에 의해서 찾은 우리 베타0와 베타1은 상당히 좋은 추정량이라고 얘기를 했었어요. 그래서 이스티메이터라고 얘기하는 지금 이 이스티메이터는 뭐냐면 최소제곱법에 의해서 찾은 추정량이야 베타0 베타1 값이야 라고 얘기하는 겁니다.

2차 전사:  LST라고 보통 얘기를 합니다. 최소제곱법인 LST에 의해서 찾은 우리 베타0와 베타1은 상당히 좋은 추정량이라고 얘기를 했었어요. 그래서 이스티메이터라고 얘기하는 지금

**자료·검토에 따른 정정:** LSE: Least Squares Estimation

근거: 알고리즘 상자에 영문 명칭이 보인다.

자료: 5._Linear_Regression_II · 물리 페이지/슬라이드 9

[[pdf/5._Linear_Regression_II/page-009.jpg|자료 화면 열기]]

## 4-1 창 0005 · 00:05:46–00:06:13 · 학습 보류

여론조사 비유의 87%,2.3%,±2.3%,95%가 문장 경계와 오인식에 섞인다. 제공 화면에 조사 수치가 없어 정확한 허용오차 진술을 확정하지 않는다.

![[review/audio/4-1/clips/0005.m4a]]

근거 파일: [[review/audio/4-1/0005.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 87%로 아주 압도적으로 이기고 있는데 먼저 2.3% 플러스 마이너스 2.3% 정도 된다 라고 이제 일반적으로 신뢰 구간을 주지 않겠습니까 의미는 뭐냐면 내가 지금 얘기한 것은 조금은 틀릴 수 있어 근데 그 구간에 틀린 걸 그리고 신뢰도를 95%로 한다면 그래도 어 요 2% 사이에서 왔다 갔다 그 사이 안에 좀 그래도 신뢰 구간이 있을 거야 그러므로 우리가 앞서가고 있는 후보와 다른 사람들에 대한 차이가 그 갭만큼에 해당되는 부위가 아니라면

2차 전사:  아주 압도적으로 이기고 있는데 허용오차는 2.3% ± 2.3% 정도 된다 라고 이제 일반적으로 신뢰구간을 주지 않겠습니까 의미는 뭐냐면 내가 지금 얘기한 거는 조금은 틀릴 수 있어 근데 그 구간에 틀린 걸 신뢰도를 95%로 한다면 그래도 이 2% 사이에서 왔다 갔다 그 사이 안에 그래도 신뢰구간이 있을 거야 그러므로 우리가 지금 앞두고 있는 것은

## 4-1 창 0006 · 00:06:39–00:06:53 · 중요한 의미 차이 미발견

점추정은 직관적이고 구간추정도 활용한다는 취지와 비교 방향이 같다.

![[review/audio/4-1/clips/0006.m4a]]

근거 파일: [[review/audio/4-1/0006.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 사람들 입장에서는 점추정이 훨씬 더 쉽게 와닿아요 그리고 비교해야 될 것도 많고 그 값을 이용해서 뭐가 활용해야 될 게 많다면 보다 직관적으로 얘기할 수 있는 것 사실은 점추정이기도 합니다 그래서 무엇이 좋다 좋지 않다라기보다는 점추정과 부관추정에 관련된 부분들을 우리가 자주 활용하기 금태죠

2차 전사:  사람들의 입장에서는 점추정이 훨씬 더 쉽게 와닿아요. 그리고 비교해야 될 것도 많고 그 값을 이용해서 뭔가 활용해야 될 게 많다면 보다 직관적으로 얘기할 수 있는 것은 사실상 점추정 이기도 합니다. 무엇이 좋다, 좋지 않다라기보다는

## 4-1 창 0007 · 00:07:16–00:07:23 · 자료 근거 정정 있음

두 ASR 모두 표준정규라고 적었지만 화면은 N(0,σ²)이다. 자료 설명용 표기는 평균0·분산σ² 정규오차로 제한한다.

![[review/audio/4-1/clips/0007.m4a]]

근거 파일: [[review/audio/4-1/0007.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 그리고 이거는 우리가 일반적으로 가정을 했어요. 정규성 가정을 따른다고 얘기를 해. 표준 정규 분포를 따른다고 가정을 했었습니다.

2차 전사:  그리고 이거는 우리가 일반적으로 가정을 했어요. 정규성 가정을 따른다고 얘기를 표준 정규 분포를 따른다고 가정을 했었습니다.

**자료·검토에 따른 정정:** ε_i~N(0,σ²): 평균0·분산σ² 정규오차

근거: 상단 오차분포에 σ²가 표시되어 표준정규N(0,1)로 제한되지 않는다.

자료: 5._Linear_Regression_II · 물리 페이지/슬라이드 11

[[pdf/5._Linear_Regression_II/page-011.jpg|자료 화면 열기]]

## 4-1 창 0008 · 00:08:15–00:08:30 · 자료 근거 정정 있음

S는 n분의1을 1분의1로 적었다. 핵심 오차분산 추정 분모 n−2는 화면으로 확인된다.

![[review/audio/4-1/clips/0008.m4a]]

근거 파일: [[review/audio/4-1/0008.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 그 전부 다 합산한 다음에 보통은 n분의 1 해줘도 될 수 있는데 여기에서는 n-2 만큼 왜냐하면 우리가 뭘 모르고 있죠? 베타0와 베타1이라는 모르는 파라미터를 두 가지 추정하고 있죠? 그래서 그걸 제외한 n-2로 노멀라이징 처리해주는 값을

2차 전사:  보통은 1분의 1 해줘도 될 수 있는데, 여기에서는 n-2만큼, 왜냐하면 우리가 뭘 모르고 있죠? 베타0와 베타1이라는 모르는 파라미터를 두 개를 추정하고 있죠? 그래서 그걸 제외한 n-2로 노멀라이징을 하고,

**자료·검토에 따른 정정:** σ̂²=Σe_i²/(n−2)

근거: 아래 σ² 점추정식의 분모 n−2가 보인다.

자료: 5._Linear_Regression_II · 물리 페이지/슬라이드 11

[[pdf/5._Linear_Regression_II/page-011.jpg|자료 화면 열기]]

## 4-1 창 0009 · 00:08:50–00:09:07 · 자료 근거 정정 있음

N/M, M−2, M−1 표기가 혼재한다. 제공 점추정식의 n−2로 핵심 분모만 확정한다.

![[review/audio/4-1/clips/0009.m4a]]

근거 파일: [[review/audio/4-1/0009.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 오보다 훨씬 더 어 어떻게 될까요 좀 더 후한 방식이 되지 않을까요 그쵸 그런데 이게 애니 만약에 10만 개 100만 개 된다면 사실 애는 안 된 엠만스 이루는 든 큰 차이가 없을 겁니다 그렇죠 그러니까 총 충분히 좀 큰 데이터에 대한 내일 얘기 라면 사실상 이거는 뭐 엠마일과 거의 동등하다 라고 보셔도 무방할 겁니다 자 이렇게 파라미터에 대한 점주형 값들은 우리가 베타 제로 베타 원 사실상 찾으려고

2차 전사:  N이 만약에 100만 개 된다면 사실 N으로 나누든 M-2로 나누든 큰 차이가 없을 겁니다. 그렇죠? 그러니까 충분히 큰 데이터에 대한 얘기를 하면 사실상 이거는 M-1과 거의 동등하다고 보셔도 무방할 겁니다.

**자료·검토에 따른 정정:** 오차분산 점추정의 분모는 n−2

근거: 분모 n−2가 보인다.큰n에서다른분모와근사하다는별도발언은확정하지않는다.

자료: 5._Linear_Regression_II · 물리 페이지/슬라이드 11

[[pdf/5._Linear_Regression_II/page-011.jpg|자료 화면 열기]]

## 4-1 창 0010 · 00:10:33–00:10:51 · 중요한 의미 차이 미발견

biased/unbiased 명칭이 양쪽에서 흐트러져 있지만 편향 관련 설명의 방향 자체에 새 차이는 없다. 이 문장만으로 불편성의 정확한 정의를 확정하지 않는다.

![[review/audio/4-1/clips/0010.m4a]]

근거 파일: [[review/audio/4-1/0010.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 여러분들이 이해할 텐데 바이어스트 이스티메이터는 뭐냐면 센 어떤 바이어스를 가치 바이어스 에러를 가질서 라고 좀 이해를 해 보시면 좋을 것 같아요 자 그래서 언바일 스티 맥터는 뭐냐면 모델의 편향을 위해서 모델이 이 파라미터가 잘못 예측이 될 수 있는 게 없고 적어도 주어져 있는 트레이닝 데이터에 대해서 가장 잘 필팅 해줄 수 있는 그런 모델 모델은 결국은 베타로 추정되는 거죠

2차 전사:  텐데 바이어스트 이스테메이터는 뭐냐면 아주 센 바이어스 에러를 가지고 있어 라고 좀 이해를 해보시면 좋을 것 같아요. 그래서 언바이어스트 이스테메이터는 뭐냐면 모델의 편향을 위해서 모델이 이 파라미터가 잘못 예측이 될 수 있는 게 없고 적어도 주어져 있는 트레이닝 데이터에 대해서

## 4-1 창 0011 · 00:10:54–00:11:06 · 자료 근거 정정 있음

불편 추정 설명 중 Bias-based Meta로 바뀌어 반대 개념으로 읽힐 수 있다. 화면 BLUE의 unbiased를 따른다.

![[review/audio/4-1/clips/0011.m4a]]

근거 파일: [[review/audio/4-1/0011.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 적어도 주어져 있는 트레이닝 데이터에 대해서 가장 잘 필팅 해줄 수 있는 그런 모델 모델은 결국은 베타로 추정되는 거죠 그래서 그런 베타들의 조합을 찾을 찾도록 만들어 준다 라는 의미에서 바이어스 디스티메터 라고 얘기하고요 또 이 분류에 따라서 LSE의 방법으로 추정한 파라미터들을 갖는 모델은 가장 Smallest Variance를 갖는데요.

2차 전사:  모델은 결국은 베타로 추정되는 거죠. 그래서 그런 베타들의 조합을 찾도록 만들어준다 라는 의미에서 Bias-based Meta라고 얘기하고요. 또 이 분류에 따라서

**자료·검토에 따른 정정:** unbiased estimator(불편 추정량)

근거: BLUE 제목과 E(β̂0)=β0,E(β̂1)=β1이 보인다.

자료: 5._Linear_Regression_II · 물리 페이지/슬라이드 13

[[pdf/5._Linear_Regression_II/page-013.jpg|자료 화면 열기]]

## 4-1 창 0012 · 00:11:32–00:11:42 · 자료 근거 정정 있음

BLUE의 영문 확장형이 양쪽 모두 훼손되어 화면 제목으로 확정한다.

![[review/audio/4-1/clips/0012.m4a]]

근거 파일: [[review/audio/4-1/0012.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 조금만 더 상세히 좀 얘기를 해보도록 하시죠. 이 blue라는 best linear by st estimator에 따르면 두 가지 characteristics가 있다고 얘기했어요. 첫 번째는 가장 좋은 불편증량이야. 그래서 beta0에 대해서도 expectation을 구하면 beta0가 나오고요.

2차 전사:  조금만 더 상세히 얘기를 해보도록 하시죠. 이 Blue라는 Bethel Linear Amp by City Estimator에 따르면 두 가지 Characteristics가 있다고 얘기했어요. 첫 번째는 가장 좋은 불편 추정량이야.

**자료·검토에 따른 정정:** BLUE: Best linear unbiased estimator

근거: 제목의 영문 확장형이 선명하다.

자료: 5._Linear_Regression_II · 물리 페이지/슬라이드 13

[[pdf/5._Linear_Regression_II/page-013.jpg|자료 화면 열기]]

## 4-1 창 0013 · 00:11:58–00:12:40 · 중요한 의미 차이 미발견

분산이 다른 추정량보다 작거나 같다는 비교 방향이 같다. 두 ASR 모두 비교 집합을 명확히 제한하지 않으므로 선형 불편 추정량 범위가 필요한 REG-12 조건 메모와 함께 읽는다.

![[review/audio/4-1/clips/0013.m4a]]

근거 파일: [[review/audio/4-1/0013.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 어떠한 어떤 beta0를 찾았던 다른 estimator 방법 어 어 리스트 리스트 스킬 이슈 미션 방식이 아니라 다른 어떤 방법에 의해서 우리가 찾았어 그리고 우리 방식으로 찾은 거야 뭘로 ls 이룰 방법을 찾은 에스 메타를 가지고 그에 대해서 배우 리언스를 잡았어 그럼 항상 그 배우는 쓰는 다른 방법으로 찾은 배타 0에 대한 배우 리스 보다 작거나 어 같다 적어도 작다 적도 적어도 같다 라는 의미적 패타 1에 대해서도 동일한 성격이 같이 보여집니다 자 그래서 이런 가우스 마크 정리에 따르면 모델은 선형을 유지한다. 오케이 어떤 선형이죠? y가 선형이 아니라 선형인가요? 아닙니다. x들에 대한 조합을 선형적인 조합에 의해서 y에 대한 별량을 설명하도록 만들다 라고 요식을 구성하는 게 선형적인 조건을 의미합니다.

2차 전사:  를 찾았던 다른 인스티메이터 방법, 그러니까 List-SQL estimation 방식이 아니라 다른 어떤 방법에 의해서 우리가 찾았어. 그리고 우리 방식으로 찾은 거야. 뭐로? LSE를 방법으로 찾은 인스티메이터를 가지고 거기에 대해서 variance를 잡았어. 그러면 항상 그 variance는 다른 방법으로 찾은 베타제로에 대한 variance보다 작거나 같다. 적어도 작다. 적어도 같다 라는 의미죠. 즉, 페타본에 대해서도 동일한 성격이 같이 보여집니다. 그래서 이런 가우스 마르코 정리에 따르면 모델은 선형을 유지한다. 어떤 선형이죠? Y가 선형이어서 선형인가요? 아닙니다. X들에 대한 조합을 선형적인 조합으로...

## 4-1 창 0014 · 00:13:31–00:13:43 · 중요한 의미 차이 미발견

variance가 밸런스로 오인식되었으나 Y 변동을 분해하는 취지는 같다. 새로운 수치·부정 차이는 없다.

![[review/audio/4-1/clips/0014.m4a]]

근거 파일: [[review/audio/4-1/0014.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 만약에 우리가 이거를 y에 대한 variance를 알고 싶어 그럼 y에 대한 variance는 어떻게 되죠? y hat과 그냥 epsilon에 대한 부분으로 나눠줄 수가 있고요. v는 다시 y hat은 결국은 f of x니까

2차 전사:  우리가 이것을 y에 대한 밸런스를 알고 싶어. 그럼 y에 대한 밸런스는 어떻게 되죠? y hat과 입실론에 대한 부분으로 나눠질 수가 있고요. v는 다시 y hat은 결국은

## 4-1 창 0015 · 00:13:49–00:15:45 · 자료 근거 정정 있음

β1/β0/β5 및 고정 계수와 추정량의 분산이 혼재한다. 점추정의 산출물 명칭만 화면으로 정규화하고, 긴 분산 논증의 발언을 복원하지 않는다.

![[review/audio/4-1/clips/0015.m4a]]

근거 파일: [[review/audio/4-1/0015.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): beta1에 x1 플러스 beta0 예 그래서 베타의 입술 이렇게 되죠 근데 이제 제가 어 설명드렸던대로 베타와 베타들과 x 는 보적 주어진 값 그리고 베타 1과 베타 1은 x1 가 x i 와 y i 가 x y 페어드 셋에 대해서 트레이닝을 해서 찾은게 베타 번가 베타 제로 니까 이것은 컨스턴트 하다 그럼 컨설파다 상대적으로 컨설파 다라는 얘기죠 트레이닝 할 때 커서 다른 얘기는 아니고 그래서 그거에 대한 베어리엔스 추정되어 있는 베타 값들과 주어진 x를 된다 왜 이거는 0이 나오겠죠 그렇기 때문에 실제 y 에 대한 어 배우에서 와 동일할 수가 있다 라는 것들을 못한 바 있어요 그래서 오차의 분산에 대한 부분 가정은 가우스 마르 코프 정리에서 동일하게 사용될 수가 있습니다 또 한가지를 알아볼까요 마지막 거는 제 2까지 얘기를 안 했던 건데 이미 오차 아이 번째 관측치에 대해서 틀린 정도 치와 제 2번제 어 데이터 포인트에 대해서 틀린 정도치 이 아이와 이재이 가 있다 자 이것에 대한 공분산을 우리가 구해보면 어떻게 된다 공분산은 영이다 공부산 어떻게 되죠 선형적으로 얼마나 타이틀이 커플 중에 있는 값이냐 라는 것을 보셔요 그리고 아이 번쩍 관측지와 제2번쩍 관측지 대한 부분들을 우리가 별도로 정의하지 않더라도 이미의 관계성이 있으면 사실상 관측지들 간에 아주 선정의 삼각성 줄 다다라는 의미이기 때문에 적어도 아이와 제2가 같지 않다 라면 공분사는 0이다 라고 우리는 정리할 수가 있겠습니다 어떤 이미지 알겠죠 자 지금까지는 점 추정에 관련된 얘기를 했었구요 점 추정에 대한 선출물은 결국은 베타 제로 베타 5를 찾는 거였어요 그러면 우리가 선형식을 안줄 수 있으니까 출현도 할 수 있었죠 자 구건 추정에 대한 부분은 다음 같이 얘기를 할 수가 있습니다 자 오른 점 점 추정을 먼저 해놔야 되요 점 추정을 먼저 해놓고 나서 그 점 추정 값들을 이용해서 실제 점추정 값 대비 뒤에 마이너스 해당되는 노란색과 녹색 해당되는 부분들을 빼주거나 더해주는 게 이거 이 시타에 대한 값에 캐핑하는 부분입니다.

2차 전사:  베타1에 x1 플러스 베타0 플러스 베타의 입술을 넣게 되죠. 근데 이제 제가 설명드렸던 대로 베타와 베타들과 x는 뭐죠? 주어전입니다. 그리고 베타1과 베타1은 x1과 xy와 yi, xy의 paired set에 대해서 트레이닝을 해서 찾은 게 베타1과 베타0니까 이것은 constant하다. 그럼 constant하다, 상대적으로 constant하다는 얘기죠. 트레이닝할 때 constant하다는 얘기는 아니고. 그래서 그거에 대한 variance, 추정되어 있는 베타 값들과 주어진 x를 기준해서 variance를 구하면 어떻게 된다? 이거는 0이 나오고 있죠. 그렇기 때문에 실제 y에 대한 variance와 동일할 수가 있다는 것들을 언급한 바 있어요. 그래서 오차의 분산에 대한 부분 가정은 가우스 마르코프 정리에서 동일하게 사용될 수가 있습니다. 또 한 가지를 알아볼까요? 마지막 거는 여태까지 얘기를 안 했던 건데, 임의의 오차, i번째 관측지에 대해서 틀린 정도치와 와, 제일 번째 데이터 포인트에 대해서 틀린 정도 칩, 이 i와 이 j가 있다. 자, 이것에 대한 공분산을 우리가 구해보면 어떻게 된다? 공분산은 0이다. 공분산은 어떻게 되죠? 선형적으로 얼마나 title이 coupled에 있는 값이냐라는 것을 보시고요. 그리고 i번째 관측지와 j번째 관측지에 대한 부분들을 우리가 별도로 정의하지 않더라도 임의의 관계성이 있으면 사실상 관측지들 간에 아주 선형적인 삼각성이 뚜렷하다는 의미이기 때문에 i와 j가 같지 않다면 공분산은 0이다 라고 우리는 정리할 수가 있겠습니다. 어떤 의미인지 알겠죠? 지금까지는 점추정에 관련된 얘기를 했었고요. 점추정에 대한 선출물은 결국은 베타0와 베타5를 찾는 거였어요. 그러면 우리가 선형식을 맞을 수 있으니까 추론도 할 수 있었죠. 구건추정에 대한 부분은 다음과 같이 얘기를 할 수가 있습니다. 우리는 점추정을 먼저 해놔야 돼요. 점추정을 먼저 해놓고 나서 그 점추정 값들을 이용해서 실제 점추정값 대비

**자료·검토에 따른 정정:** 절편β0와기울기β1의 추정값 β̂0,β̂1

근거: 점추정식이β0/β1 두개로표시된다.분산의긴논증은복원하지않는다.

자료: 5._Linear_Regression_II · 물리 페이지/슬라이드 11

[[pdf/5._Linear_Regression_II/page-011.jpg|자료 화면 열기]]

## 4-1 창 0016 · 00:16:06–00:16:28 · 학습 보류

IQR 확장형 Intercontile Limit/인터컨타이가 불완전하다. 해당 비유의 실제 표기를 화면에서 확인하지 못했다.

![[review/audio/4-1/clips/0016.m4a]]

근거 파일: [[review/audio/4-1/0016.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 이렇게 이해하시면 되겠습니다. 자 그럼 노란색은 뭘까요? 하면은 상대적인 웨이트다 내가 일반적으로 줄 수 있는 상대적인 웨이트다 라고 얘기하는 거고요 여러분들이 이제 통계량에 관련된 부분들을 나중에 다루게 다루게 될 겁니다 그때 일반적으로 여러분들이 IQR이란 Intercontile Limit

2차 전사:  이렇게 이해하시면 되겠습니다. 자 그럼 노란색은 뭘까요? 하면은 상대적인 웨이트다. 내가 일반적으로 줄 수 있는 상대적인 웨이트다. 라고 얘기하는 거고요. 여러분들이 통계량에 관련된 부분들을 나중에 다루게 될 겁니다. 이해했을 때 일반적으로 여러분들이 IQR이란 인터컨타이

## 4-1 창 0017 · 00:16:36–00:17:52 · 학습 보류

25·50·75%,75−25라는 숫자 관계는 유지되지만 동일성 가정/통계적 가정 및 quantile/quartile 표현이 달라진다. 원음 없이 정확한 용어를 복원하지 않는다.

![[review/audio/4-1/clips/0017.m4a]]

근거 파일: [[review/audio/4-1/0017.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 이거는 뭐냐면 가장 우리가 일반적으로 데이터에 대해서 동일성 가정 없이 일반적으로 쓸 수 있는 어떤 랭크 베이스때 있는 통일한 중에 하나가 이제 매니언 이슈 이거는 일반적으로 얘기하는 미인 보다 훨씬 더 강건한 좀 쓸 수가 있어요 예를 들어서 이렇게 딱 한 사람이 체온 많이 들어왔어 그래서 어떤 카 어떤 사람들에 대한 키를 리스 메시 하는데 거의 대부분 사실상 여기 있는데 어 채용만과 또 뭐 예를 들어 이대호 선수 이렇게 이제 키 큰 사람들이 몇몇씩 있어서 이렇게 되면 평균이 생각보다 많이 위로 올라오게 끔 됩니다 자 이런 어떤 극단적인 값을 좀 치우치지 않고 쓸 수 있는게 랭크 베이스 때 있는 메디언이 여러분 일반적으로 알고 있는 통계량인데 이런 메디언에 기반 돼서 여러분들 25% 다해 깁티 센티 파이그 이렇게 얘기해서 제 이런 것들이 전부 다 우리가 어 프레스트 컨탈 더 세컨 스포 탈 뭐 써도 컨터 이렇게 얘기하고요 실제 이 75 와 25% 차이를 일반적으로 얘기하는 걸 아이큐 이라고 얘기해요 보통 이 아이큐 아를 가져다가 우리가 값을 쓰게끔 됩니다 자, 그래서 이 IQR 기준으로도 컨스턴트한 값을 좀 활용해 볼 수도 있지만

2차 전사:  뭐냐면 우리가 일반적으로 데이터에 대해서 통계적인 가정 없이 일반적으로 쓸 수 있는 어떤 랭크가 있을 때 있는 통계량 중에 하나가 이제 median이 있어요. 이거는 일반적으로 얘기하는 mean보다 훨씬 더 간건하게 좀 쓸 수가 있어요. 예를 들어서, 딱 한 사람이 최홍만이 들어왔어. 그래서 어떤 사람들에 대한 키를 estimation 하는데 거의 대부분 사실상 여기 있는데 최영만과 예를 들어서 이대호 선수, 키 큰 사람들이 몇 명씩 있어서 이렇게 되면 평균이 생각보다 많이 위로 올라오게끔 됩니다. 이런 극단적인 값에 치우치지 않고 쓸 수 있는 게 랭크 베이스되어 있는 메디안이고 일반적으로 알고 있는 통계량인데 이런 메디언에 기반되서 여러분들 25% 50, 75 이렇게 얘기해서 이런 것들이 전부 다 우리가 First Quantile, Second Quantile, Third Quantile 이렇게 얘기하고요. 실제 이 75와 25%의 차이를 일반적으로 얘기하는 걸 IQR이라고 얘기해요. 보통 이 IQR을 가져다가 우리가 값을 쓰게끔 됩니다. 그래서 이 IQR을 기준으로 어떤 컨설턴트...

## 4-1 창 0018 · 00:18:07–00:18:13 · 학습 보류

하이퍼파라미터를 파파라 밑에/숫자9로 훼손했다. 현재 자료의 C는 상수가중치까지 확인되며 하이퍼파라미터라는 실제 발언은 확정할 수 없다.

![[review/audio/4-1/clips/0018.m4a]]

근거 파일: [[review/audio/4-1/0018.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 그거는 하이퍼 파라미터에 준하는 값이다라고 이해해보시면 될 것 같습니다. 오케이? 자, 시그마 값은 우리가 직접적으로 계산할 수가 있었어요.

2차 전사:  파파라 밑에 준하는 갑시다 라고 이해해 보시면 될 것 같습니다 ok 자 시그 마 값은 우리가 직접 주로 9

## 4-1 창 0019 · 00:18:16–00:18:25 · 자료 근거 정정 있음

θ 점추정식이 C타/실탄 등으로 훼손되었다. 화면의 θ̂와 σ(θ̂) 관계로 설명용 표기를 정규화한다.

![[review/audio/4-1/clips/0019.m4a]]

근거 파일: [[review/audio/4-1/0019.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 어떻게 계산했었죠? 예, 여기에 있죠. 그냥 C타에 대한 점추정식이 있었기 때문에 저걸로 계산해 볼 수가 있어요. 결국은 파란색과 녹색은 계산되어서 우리가 추정할 수 있는 값이었고요.

2차 전사:  계산했었죠? 예. 여기에 있죠? 실탄에 대한 점수 정식이 있었기 때문에 저걸로 계산해 볼 수가 있어요. 결국은 파란색과 녹색은

**자료·검토에 따른 정정:** θ̂는 θ의 점추정량,σ(θ̂)는 그 표준편차

근거: 범례의 두 정의와구간식이보인다.

자료: 5._Linear_Regression_II · 물리 페이지/슬라이드 14

[[pdf/5._Linear_Regression_II/page-014.jpg|자료 화면 열기]]

## 4-1 창 0020 · 00:19:09–00:19:25 · 학습 보류

confidence가 컴퓨터 수로 바뀌고 결정계수의 분산이라는 대상도 불명확하다. 신뢰구간인지 결정계수인지 발언을 단정할 수 없다.

![[review/audio/4-1/clips/0020.m4a]]

근거 파일: [[review/audio/4-1/0020.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 얘가 얼마만큼에 대한 확신을 가지고 예측을 하는지를 갖다 볼 수가 있습니다. 오케이, 결정 개수에 대한 분산을 기준으로 해서 우리가 저 빨간색에 대한 부분들을 좀 컨피런스를 어느 정도 하느냐에 따라서 가져갈 수가 있다고 얘기할 수가 있고요. 오른쪽은 뭐냐면 실제 Y 예측값, Y 핵값이죠.

2차 전사:  에 대한 확신을 가지고 예측을 한지를 갖다 볼 수가 있습니다 ok 결정 개수에 대한 분사를 기준에서 우리가 저 파란 빨간색에 대한 부분들을 좀 컴퓨터 수를 어느 정도 한 이하에 따라서 가져갈 수가 있다 라고 얘기할 수가 있구요 오른쪽은 뭐냐면 실제 y

## 4-1 창 0021 · 00:20:10–00:20:20 · 중요한 의미 차이 미발견

베타1과 점추정/색상 기호 설명은 동일 취지이며 끝의 점추정 결론은 창 경계에서 잘린다.

![[review/audio/4-1/clips/0021.m4a]]

근거 파일: [[review/audio/4-1/0021.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 베타 원에 대한 부분들을 기준으로 해서 좀 얘기를 해본다면 결국은 앞에서 얘기했었던 노란색, 파란색, 독색 이런 게 있었죠? 자, 베타 원은 뭐였냐면 우리의 점추전 값이에요.

2차 전사:  베타1에 대한 부분들을 기준으로 해서 얘기를 해본다면 결국은 앞에서 얘기했었던 노란색, 파란색, 녹색 이런 게 있었죠. 베타1은 뭐였냐면

## 4-1 창 0022 · 00:21:29–00:21:51 · 중요한 의미 차이 미발견

β1은 첫 관측점이 아니라 설명변수의 계수라는 핵심 구별이 유지된다.

![[review/audio/4-1/clips/0022.m4a]]

근거 파일: [[review/audio/4-1/0022.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): x1 플러스 배터죠 그쵸 음 베타 원은 데이터 포인트 첫번째 데이터 포인트를 의미하는게 아니라 베타 변수 어차피 지금 x 변수 하나 밖에 없지만 이 인풋 변수 하나에 대해서만 설명한 거예요 그리고 베타 원이라는 건 그에 대한 개수인 거구요 그렇죠 자 그래서 이 베타 원의 집중해서 본다면 베타 원이 0이라는 의미가 보죠

2차 전사:  이 베타1은 데이터 포인트 첫 번째 데이터 포인트를 의미하는 게 아니라 베타 변수, 어차피 지금 x 변수는 하나밖에 없지만 이 인풋 변수 하나에 대해서만 설명을 하는 거예요. 그리고 베타1이라는 건 그에 대한 개수인 거고요. 그래서 이 베타1에 집중해서...

## 4-1 창 0023 · 00:21:57–00:22:13 · 중요한 의미 차이 미발견

기울기0 귀무가설과 설명력 없음이라는 대비는 유지된다. 0가설/영가설 표기 차이는 의미를 바꾸지 않는다.

![[review/audio/4-1/clips/0023.m4a]]

근거 파일: [[review/audio/4-1/0023.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 얘는 y에 대한 별량을 아무것도 예측을 하지 못하는 거야 그러니까 이 선형외기는 쓸모가 없다라는 것들을 의미하는 거죠 자 이게 가설 검증에서 일반적으로 얘기하는 0가설 또는 귀무가설이라고 얘기를 합니다 자 그래서 크게 달라지지 않아 이 선형외기 안 써도 큰 의미 없어

2차 전사:  Y에 대한 별량을 아무것도 예측을 하지 못하는 거야. 그러니까 이 선형외기는 쓸모가 없다라는 것들을 의미하는 거죠. 이게 가설검정에서 일반적으로 얘기하는 영가설 또는 귀무가설이라고 얘기를 합니다. 그래서 크게 달라지지 않아요.

## 4-1 창 0024 · 00:22:43–00:23:17 · 자료 근거 정정 있음

t 통계량의 분자가 β1의 기대값이라는 양쪽 표현은 화면의 추정값 β̂1과 다르다. 수식을 자료 기준으로 정규화한다.

![[review/audio/4-1/clips/0024.m4a]]

근거 파일: [[review/audio/4-1/0024.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 라고 얘기를 하는 거죠. 가장 기본적인 가설 검정인 거예요. 자 그래서 이 베타 1에 대한 가설 검증을 봤을 때 연가설은 야 그런거 하지마 선형회기 해봤자 y 별량 하도 이척 못하던데 라고 얘기하는 게 연가설 그리고 대립가설은 우리가 주장하는 바 아니야 이 상력회기식은 충분히 어느 정도의 y의 별량을 설명하고 있어 라는 거라고 얘기했구요 여기에 T-statistic 값은 뭐였냐면 실제 베타원에 대한 기대값을 0에서 빼요. 그리고 스탠다드 에베이션을 나눠줘요. 노멀라징 해줘요.

2차 전사:  라고 얘기를 하는 거죠. 가장 기본적인 가설 검정인 거예요. 그래서 이 베타1에 대한 가설 검정 기준을 봤을 때 연가설은 야, 그런 거 하지 마. 선형회기 해봤자 Y 별량 하도 예측 못 하던데? 라고 얘기하는 게 연가설. 그리고 대립가설은 우리가 주장하는 바. 아니야. 이 선형회기식은 충분히 어느 정도의 Y의 별량을 설명하고 있어. 라는 거라고 얘기했고요. 여기에 이 statistic, 이 값은 뭐였냐면 실제 베타원에 대한 기대값을 0에서 빼요. 그리고 스탠다드 에비션을 나눠줘요.

**자료·검토에 따른 정정:** t*=(β̂1−0)/sd(β̂1), H0:β1=0

근거: 검정식의분자는추정기울기 β̂1−0이며모수의기대값이아니다.

자료: 5._Linear_Regression_II · 물리 페이지/슬라이드 17

[[pdf/5._Linear_Regression_II/page-017.jpg|자료 화면 열기]]

## 4-1 창 0025 · 00:24:45–00:25:51 · 자료 근거 정정 있음

R 코드의 cars/mtcars 이름과 dist~speed 방향이 섞인다. 화면 코드에 보이는 모델과 데이터만 확정한다.

![[review/audio/4-1/clips/0025.m4a]]

근거 파일: [[review/audio/4-1/0025.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 모델 시각 관계 이렇게 시기 되었구요 이거에 대해서 코드 실행 결과 결국 이거는 r 코드이긴 하지만 여러분들한테 사전 드릴 그 코든 전부 다 파이썬 보시면 되요 중요한 건 뭐냐면 코드를 기준으로 해서 여러분의 어떤 회기 모델을 만들었을 때 회기 모델에 대한 결과들이 도출 되면 그걸 잘 이해해 보고 해석해 보는게 필요하다 오케이 자 내가 간단하게 이제 코드를 너무 보이고 할 것도 없지만 한번 얘기해 보도록 할게요 mt 카즈에 대한 데이터셋을 로딩 했어요 그리고 카즈 라는 걸 거기에서 끄집어 냈는데 이게 이제 뭐냐면 디스트리비션과 아티스 트리 비션이 아니라 디스턴스와 스피트 이 두가지 값을 아 슬렉션 해왔습니다 다 서브스 셀션 해온 거에요 어디서 피쳐가 여러 개 있을 수 있는데 물을 끄집어 놓은 거죠 자 이거를 서브 3d 라고 정했어요 이렇게 자 그러고 나서 실제 이 커즈 에 대해서 디스턴스를 스피드에 대해서 예측하도록 만든거에요 이게 와 이거 이거 뭐다 x 다 그때의 모델은 뭐다? 아, 리니어 모델이다. 오케이? 리니어 로그에이션 모델을 이용해서 이 모델을 인스턴시이션 해줍니다.

2차 전사:  이것에 대해서 코드 실행 결과, 결국 이것은 R 코드이긴 하지만 여러분들한테 사전 드릴 코드는 전부 다 파이썬으로 되어 있습니다. 보고 계시면 돼요. 중요한 건 뭐냐면 코드를 기준으로 해서 여러분들이 어떤 회귀모드를 만들었을 때 회귀모드에 대한 결과들이 도출되면 그것을 잘 이해해 보고 해석해 보는 게 필요하다. OK. 자, 내가 간단하게 코드를 너무 할 것도 없지만 한번 얘기해 보도록 할게요. 이 Cards에 대한 데이터셋을 로딩했어요. 그리고 Cards라는 것을 거기에서 끄집어냈는데 이게 뭐냐면 Distance와 Speed 이 두 가지 값을 Selection 해 왔습니다. Substance Selection을 해 온 거예요. 어디서? Feature가 여러 개 있을 수 있는데 이것을 끄집어 놓은 거죠. 이것을 Subset이라고 정의했어요. 그러고 나서 실제 이 Cards에 대해서 Distance를 Speed에 대해서 예측하도록 만든 거예요. 이게 Y이고, 이건 X다. 그때의 모델은 리니어 모델이다. 리니어 로그레이션 모델을 이용해서 이 모델을 인쇄...

**자료·검토에 따른 정정:** lm(dist~speed,data=cars): Y=dist,X=speed

근거: 실제코드에lm(dist~speed,cars),subset(cars,select=c(dist,speed))가보인다.head(mtcars)는별도줄이다.

자료: 5._Linear_Regression_II · 물리 페이지/슬라이드 20

[[pdf/5._Linear_Regression_II/page-020.jpg|자료 화면 열기]]

## 4-1 창 0026 · 00:26:06–00:26:15 · 자료 근거 정정 있음

A-line→abline으로 코드 명칭이 개선되어 화면 함수명으로 정규화한다.

![[review/audio/4-1/clips/0026.m4a]]

근거 파일: [[review/audio/4-1/0026.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 이게 X고 이게 Y에 대해서 플라팅해봐라 라고 얘기한 거고요. A-line에서 코에피션트에 대한 값들을 그리도록 이런 식을 그리도록 얘기했고요.

2차 전사:  플라팅 해봐라 라고 얘기한 거고요. abline에서 coefficient에 대한 값들을 그리도록 이런 식을 그리도록 얘기했고요.

**자료·검토에 따른 정정:** abline(coef(m))

근거: 산점도아래직선추가코드의함수명이보인다.

자료: 5._Linear_Regression_II · 물리 페이지/슬라이드 20

[[pdf/5._Linear_Regression_II/page-020.jpg|자료 화면 열기]]

## 4-1 창 0027 · 00:26:41–00:27:47 · 자료 근거 정정 있음

잔차 최솟값을 낮은 예측, 최댓값을 높은 예측으로 해석한 방향은 양쪽이 같지만 e=y−ŷ 식과 반대다. 화면 수식과 R 출력으로 방향을 교정한다.

![[review/audio/4-1/clips/0027.m4a]]

근거 파일: [[review/audio/4-1/0027.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 서스트 컨테일이 9.25야. 그리고 민값이 얼마고 맥스값이 얼마야. 이렇게 얘기한 거야. 민값을 하나만 좀 볼까요 이거 의미가 뭘까요 내가 반칙했던 것 대비 너무너무 낙게 이측이 된 거야 그쵸 이렇게 얘기해야 된거고 맥스 값은 그 반대로 너무너무 게이 측을 해버린 케이스가 되겠죠 그래서 이제 레지디웰 입실런 이라고 얘기했었던 요 에러 카세 드세요 우리가 추정을 해 볼 수가 있을 테구요 자 여기에서 코피션 때에 대한 값을 볼까요 이스메이 티드 값이 있어요 이 값을 뭐냐면 불편 추정량 값을 우리가 찾은 거죠 이게 어 리스트 스킬 이시피션에 의해서 구축된 지 안될지는 실제 라이브로 이마다 다르지만 우리 여기서는 레스에 따라서 가장 좋은 불편 질 양을 찾을 거다 라고 가정하고 요이스트메이드 설명을 해볼게요 의미는 뭐냐면 마이너스 17.579 1 2 인터셉트이죠. 그럼 쪽에 베타 제로가 돼요. 3.9324는 뭐죠? 베타1이 돼요. 자 그러면은 y는 대충 3.93x 곱하기 x 플러스 마이너스 17.58 정도 된다.

2차 전사:  그리고 min 값이 얼마고 max 값이 얼마야 이렇게 얘기한 거야. min 값을 하나만 좀 볼까요? 이건 의미가 뭘까요? 내가 관측했던 것과 대비 너무너무 낮게 예측이 된 거야. 그렇죠? 이렇게 얘기가 된 거고, max 값은 그 반대로 너무 높게 예측을 해버린 케이스가 되겠죠. 그래서 이제 residual, epsilon이라고 얘기했었던 error 값에 대해서 우리가 추정을 해 볼 수가 있을 테고요. 자, 여기에서 coefficient에 대한 값을 볼까요? estimated 값이 있어요. 이 값은 뭐냐면 불편 추정량 값을 우리가 찾은 거죠. 이게 리스트 스케일 리스티미션에 의해서 구축됐는지 안 됐는지는 실제 라이브러리마다 다르지만 우린 여기서는 레스에 따라서 가장 좋은 불편 추정량을 찾을 거다 라고 가정하고 이 리스티미션에 대해서 설명을 해볼게요. 의미는 뭐냐면 마이너스 17.5791이 인터셉트죠. 그럼 저게 베타 제로가 돼요. 3.9324는 뭐죠? 베타 1이 돼요. 그러면 y는 대충 3.93x 곱하기 x 플러스 마이너스 17.

**자료·검토에 따른 정정:** 잔차 e=y−ŷ이므로 음수Min은실제보다높게예측한경우,양수Max는낮게예측한경우

근거: Residuals의Min−29.069/Max43.201과회귀I41쪽의e=y−ŷ를함께확인한다.

자료: 5._Linear_Regression_II · 물리 페이지/슬라이드 20

[[pdf/5._Linear_Regression_II/page-020.jpg|자료 화면 열기]]

## 4-1 창 0028 · 00:28:08–00:28:16 · 중요한 의미 차이 미발견

Std.Error 및 t-value를 본다는 취지가 같고 새 숫자·비교 방향 차이는 없다.

![[review/audio/4-1/clips/0028.m4a]]

근거 파일: [[review/audio/4-1/0028.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 각각 이렇게 스탠다드 에러 값을 구할 수가 있다. 또 이때의 T-value 값을 구할 수가 있고요. T-value 값을 그냥 보면 우리가 와닿지가 않아. 결국은 어떤 가설 검증을 하려고 하는 거다 보니까

2차 전사:  이렇게 스탠다드 에러 값을 볼 수가 있다. 또 이때에 T벨루 값을 볼 수가 있고요. T벨루 값을 그냥 보면 우리가 와닿지가 않아.

## 4-1 창 0029 · 00:29:14–00:29:38 · 학습 보류

유의수준/critical value 주변의 두 영문 표현이 크게 다르고 0.0000001의 문맥도 창 시작에서 잘린다. 실제 명칭·수치 발언을 확정하지 않는다.

![[review/audio/4-1/clips/0029.m4a]]

근거 파일: [[review/audio/4-1/0029.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 그때 대신에 스피드에 준하는 부분, 베타1이라고 추정됐었던 이 값 자체는 실제 얼마만큼 Statistically Significant 하냐면 우리가 거의 0.0000001 해당되는 부분에 가더라도 사실은 아무리 보수적으로 보더라도 사실상 이거는 유의할 수밖에 없어 라고 얘기하는 거예요. 그래서 결국은 이 스피드 값에 대해서도 또는 이제 70-Quad-Cose, 또는 Critical Value에 대한 어떤 Sysold로 아주 유의하게 보인, 그러니까 알파 정보를 따라서 좀 상의할 수 있겠지만 저걸 두 가지 값이 통기적으로 유의할 수 있겠구나라고 우리가 지금 얘기를 해볼 수가 있겠죠. 또 이게 관측지가 총 50개였나 봐요. 왜냐하면 우리가 모수 모르는 베타 제로와 베타 원에 대해서 두 개를 제외하면 48개가 되겠죠.

2차 전사:  이거는 유의할 수밖에 없어라고 얘기하는 거예요. 그래서 결국은 이 스피드 값에 대해서도 또는 이제 Segmented Quadrant Cause 또는 Critical Value에 대한 어떤 시스홀드로 아주 유의하게 보이는 그러니까 알파 정보를 따라서 좀 상의할 수 있겠지만 저걸 두 가지 값이 통계적으로 유의할 수 있겠구나 라고 우리가 지금 얘기를 해 볼 수가 있겠죠. 또 이게 관측치가 총 50개였나 봐요. 왜냐하면

## 4-1 창 0030 · 00:29:48–00:29:56 · 자료 근거 정정 있음

수정 R²를 .46으로 읽은 두 전사는 화면 .6438과 불일치한다. 숫자를 화면 기준으로 교정한다.

![[review/audio/4-1/clips/0030.m4a]]

근거 파일: [[review/audio/4-1/0030.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 이 정도의 자유도를 기준으로 해서 우리가 나중에 노멀 라이징 할 때 48을 이제 보통 나눈다. 그리고 실제 R2 값이 0.65구나. 그리고 어스드스티스 R2 값이 0.46이 0.64가 났다.

2차 전사:  그리고 실제 R2 값이 0.65 구나 그리고 어셋 히스 R2 값이 0.46

**자료·검토에 따른 정정:** R²=.6511, 수정R²=.6438

근거: R출력마지막두줄에값이보인다.

자료: 5._Linear_Regression_II · 물리 페이지/슬라이드 20

[[pdf/5._Linear_Regression_II/page-020.jpg|자료 화면 열기]]

## 4-1 창 0031 · 00:30:09–00:30:23 · 중요한 의미 차이 미발견

β0≈−17.57,β1≈3.93에 대한 설명은 동일하며 숫자 후반은 창 경계에서 잘린다.

![[review/audio/4-1/clips/0031.m4a]]

근거 파일: [[review/audio/4-1/0031.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 퀴즈에 대한 부분은 지금 이 강의에 포함될 거니까 그렇게 어려운 부분이 아니에요. 자 우리가 추정하려는 파라미터가 뭐죠 베타 제로 베타 번 이어 자 인터세트와 피해 그 스피드 값을 그대로 가져오면 된다는 얘기죠 오케이 베타 제로는 마이너스 17.57 이다 베타 원은 3.93 이구나 오케이 자 선형식을 적어봐라 앞에 적어드렸어요

2차 전사:  지금 이 강의에 포함될 거니까 그렇게 어려운 부분은 아니에요. 우리가 추정하려는 파라미터가 뭐죠? 베타0, 베타1이에요. 인터셉트와 피의 스피드 값을 그대로 가져오면 된다는 얘기죠. 베타0은 마이너스 17.57이...

## 4-1 창 0032 · 00:30:26–00:30:39 · 자료 근거 정정 있음

선형식에 계수를 대입한다는 취지는 같지만 β민이라는 대상이 훼손돼 화면 식으로 정규화한다.

![[review/audio/4-1/clips/0032.m4a]]

근거 파일: [[review/audio/4-1/0032.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 오케이 베타 제로는 마이너스 17.57 이다 베타 원은 3.93 이구나 오케이 자 선형식을 적어봐라 앞에 적어드렸어요 어떻게 베타 제로 베타 원에다가 넣어주면 되는 거죠 이거는 단순 선형 회기이기 때문에 다음 같이 추정해 볼 수가 있겠습니다 자 추정치에 대한 표준 변차 말씀드렸어요 어디 있었어 샌드 에러 해당되는 값이고 식은 앞에서 저렇게 나왔었어요

2차 전사:  선형식을 적어봐라. 앞에서 적어드렸어요. 어떻게? 베타민에다가 넣어주면 되는 거죠. 이거는 단순 선형회계이기 때문에 다음까지 추정해 볼 수가 있겠습니다. 추정치에 대한 표준편차 말씀드렸어요.

**자료·검토에 따른 정정:** 예측선 ŷ=−17.5791+3.9324×speed

근거: 상단R출력의절편/기울기와선형회귀식질문이보인다.숨은답층은사용하지않았다.

자료: 5._Linear_Regression_II · 물리 페이지/슬라이드 21

[[pdf/5._Linear_Regression_II/page-021.jpg|자료 화면 열기]]

## 4-1 창 0033 · 00:30:41–00:30:57 · 자료 근거 정정 있음

절편 Std.Error를 양쪽 모두 .67584로 적었다. 화면은 6.7584다.

![[review/audio/4-1/clips/0033.m4a]]

근거 파일: [[review/audio/4-1/0033.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 자 추정치에 대한 표준 변차 말씀드렸어요 어디 있었어 샌드 에러 해당되는 값이고 식은 앞에서 저렇게 나왔었어요 실제 0.67584 와 0.4155 해당되는 값을 기재하시면 되겠습니다 자 기울기에 대한 가설 검정에 대한 기문대리 값을 적고 이메일 설명하십시오 라고 한다면 지금 김을 기울기에 대한 가설 검정은 어디 있죠 이 스피드 값에 대한 거예요

2차 전사:  해당되는 값이고 식은 앞에서 저렇게 나왔었어요. 그리고 실제 0.67584와 0.4155에 해당되는 값을 기재하시면 되겠습니다. 자 기울기에 대한 가설 감정에 대한 기모 대리 값을 적고 설명하십시오라고 한다면

**자료·검토에 따른 정정:** 절편표준오차6.7584, 기울기표준오차.4155

근거: Std.Error열에두수치가보인다.

자료: 5._Linear_Regression_II · 물리 페이지/슬라이드 22

[[pdf/5._Linear_Regression_II/page-022.jpg|자료 화면 열기]]

## 4-1 창 0034 · 00:31:25–00:32:05 · 자료 근거 정정 있음

p-value의 0 개수 및 0.0000002라는 S 표기가 충돌한다. 보이는 과학적 표기 1.49e−12를 사용한다.

![[review/audio/4-1/clips/0034.m4a]]

근거 파일: [[review/audio/4-1/0034.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 자, 그래서 다음과 같이 적고 의미를 설명하시면 될 것 같고요. 기울기 가설 검정에 대한 통계량을 써주시면 다음 같이 쓰실 수가 있겠습니다 어디 있죠 tv 값에 해당되는 부분이라고 얘기했었는데 직접적으로 이 값이 캐핑 되어 있는 값은 아니에요 뭐 마이너스 1에서 1 사이 값이 있구나 그러지 않아요 인피닛 달리 로 어 실수 영역을 값을 가질 수 있다 보니까 사실 이 값을 보고 나서 우리가 느끼는 값은 사실 없습니다 자 그래서 이제 p 밸류 값을 반적으로 보고 나서 가설 검증에 대한 해석을 해본다고 얘기했죠 자 p 밸류 값은 기울기에 대해서 어떻게 된다 0, 0, 0, 0이 총 약계 12개인 1, 4, 9까지. 이게 얼마만큼 작은 수죠? 거의 0에 가까울 정도로 작은 값이죠.

2차 전사:  될 것 같고요 길기 가설 검정에 대한 통계량을 써주시면 다음 같이 쓰실 수가 있겠습니다 어디 있죠? T-Value 값에 해당되는 부분이라고 얘기했었는데 직접적으로 이 값이 캡핑되어 있는 값은 아니에요 뭐 마이너스 1에서 1 사이의 값이 있거나 그러지가 않아요 인피닛 밸류로 실수 영역을 값을 가질 수 있다 보니까 사실상 이 값을 보고 나서 우리가 느끼는 값은 사실은 없습니다 자 그래서 이제 P-Value 값을 일반적으로 보고 나서 가설 검정에 대한 해석을 기울기에 대해서 어떻게 된다? 0.0000002 총 12개인 149까지. 이게 얼마만큼 작은 수죠?

**자료·검토에 따른 정정:** 기울기p-value=1.49×10^−12

근거: 상단speed행Pr(>|t|)에1.49e−12가보인다.

자료: 5._Linear_Regression_II · 물리 페이지/슬라이드 24

[[pdf/5._Linear_Regression_II/page-024.jpg|자료 화면 열기]]

## 4-1 창 0035 · 00:32:14–00:32:33 · 중요한 의미 차이 미발견

p-value를 t로 표현한다는 공통 취지. 0.05 이후 부등호와 기각 결론은 실제 창 밖이므로 누락/반전으로 판정하지 않는다.

![[review/audio/4-1/clips/0035.m4a]]

근거 파일: [[review/audio/4-1/0035.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 이 정도로 0가설을 믿기에는 어려우니 0가설을 기각하고 대리가설을 채택하자라는 의미였습니다. P별루의 값에 대한 계산을 T값으로 표현하면 다음과 같이 이루어집니다. 또 마지막 질문이에요. 앞에서 구한 t 값을 이용해서 pb 에 대한 의미를 해석하시오 라고 해서 pb 에 대한 해석을 충분히 드렸어요 만약에 0.05 보다 작으면 어떻게 한다 기모가서를 기각한다 그러니까 대립가서를 채택함에 의해서 야 우리 베타 제로가 충분히 의미가 있어 라고 얘기할 수가

2차 전사:  채택하자 라는 의미였습니다. p-value 값에 대한 계산을 t 값으로 표현하면 다음과 같이 이루어집니다. 또 마지막 질문이에요. 앞에서 구한 t 값을 이용해서 p-value에 대한 의미를 해석하시오 라고 해서 p-value에 대한 해석을 충분히 드렸어요. 만약에 0.05

## 4-1 창 0036 · 00:32:52–00:35:05 · 학습 보류

긴 요약에서 BLUE/LSE는 S가 개선하지만 Var(Y),Var(Ŷ),Var(ε)의 동일성 대상이 계속 혼재한다. 정확한 논증/발언을 이 창만으로 확정하지 않는다.

![[review/audio/4-1/clips/0036.m4a]]

근거 파일: [[review/audio/4-1/0036.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 있구요 심지어 베타 원인 해당되는 기울기에 대한 베타 원 이 추정 값은 우리가 아무리 작은 0.0001 이라고 하더라도 이건 맞을 수밖에 없어 동시적으로 유인이 해 라고 해서 여러분들 항상 많이 보는 거 여러분이 스스로 써야 하는 거 스태티스 퀄리 시그 니 퀴 컴터 라고 보통 얘기를 합니다 통계적으로 시그니퍼 퀴트 뭐죠 시그니퍼 퀀트의 우리 결과가 아주 쓰이니 퀴트 이렇게 얘기하는 게 뭐냐면 아주 아주 뚜렷해 라고 얘기한 아주 아웃스탠딩 이렇게 얘기한 건 제 동리라면 여기서 세스테이 시기니브 간 다음에 통계적으로 유의하다 라는 의미야 그래서 통계적으로 위하 위함을 이 실험 통해 보였기 때문에 연가사를 기각하고 대리 가사를 채택한다 이렇게 해서 하시면 되겠죠 자 여기까지가 선형 회계 모델에 대한 추정 부분이었습니다 아 나 출원 부분이었습니다 그래서 구원 추억 대하고 검증으로 대하고 여러분들 어 가장 좋은 불편 추정량 블루 라는 베스 리니어 엄바 이스트 이스메이터 라는 제 컨셉에 의해서 lc 를 통해서 추정한 값이 이렇게 되게 좋은 불편 추정량이 를 이해해 볼 수가 있었구요 어 그리고 이제 아 가우스 마크 로 말 코프 어 그 시어링에 따라서 이 특징을 좀 몇 가지를 살펴봤었어요 불편치니까 점추정 값에 대한 부분들 그리고 또 올 얘기 했었죠 또 언제 우리가 앞서서 설명했었던 부분들의 개념을 또 이용해서 이 각각의 해당되는 값을 추정했을 때 실제 expectation 대한 부분들을 보는 거 베이런스를 봤을 때 입실론에 대한 어 배 렌스와 실제 와이었던 배 렌스 y 해세대한 배우니까 사실상 제 통일 수 있다라는 분들 좀 있긴 했었어요 자 그리고 결정 개수에 대한 부분 y 해시 나의 줘 그리고 마지막으로는 가설 검정 이란 건 검정 결과를 위해서 우리가 맞다 틀리다 이렇게 얘기해야 될 거잖아요 동 충분히 통해 좀 유의해 그래서 이건 됐다는 의미가 있어 이렇게 얘기하는 거예요 그래서 베타와 베타 우리가 지금 단순 성능에게 x 하나만 사용하는 모델을 사용했기 때문에 베타 제로와 베타 1에 대해서 충분히 통기적으로 유의한 방법을 결정하는 방법에 대해서는 애플 얘기 했었어요 근데 실제 관측치가 아마 10만 개 뭐 20만 개 100만 개 이렇게 얘기하고 있는데

2차 전사:  하더라도 이건 맞을 수밖에 없어 그러니까 이건 충분히 통지적으로 유의미해 라고 해서 여러분들 항상 많이 보는 거 여러분들이 스스로 써야 하는 거 statistically significant 라고 보통 얘기를 합니다 통계적으로 Significant가 무엇이죠? Significant의 우리 결과가 아주 Significant에 이렇게 얘기하는 게 뭐냐면 아주 아주 뚜렷해 라고 얘기하는 거예요 명료해 라고 얘기하는 거예요 아주 outstanding에 이렇게 얘기하는 거 언제 동일한가 그래서 statistically significant라면 통계적으로 유의하다 라는 의미예요 그래서 통계적으로 유의함을 이 실험을 통해 보였기 때문에 연구사를 기각하고 대립과서를 채택한다 이렇게 해석을 하시면 되겠죠 자 여기까지가 선형 회계 모델에 대한 추론 부분이었습니다. 그래서 구원추정은 어떻게 하고 검증은 어떻게 하고 여러분들 가장 좋은 불편추정량 blue라는 best linear unbiased estimator라는 제 컨셉에 의해서 LSE를 통해서 추정한 값이 이렇게 되게 좋은 불편추정량이구나를 이해해 볼 수가 있었고요. 그리고 가우스 마크오프의 theorem에 따라서 특징을 몇 가지 살펴봤었어요. 점추적 값대에 대한 부분들, 그리고 또 뭘 얘기했었죠? 또 우리가 앞서서 설명했었던 부분들의 개념을 이용해서 각각에 해당되는 값을 추정했을 때 실제 expectation에 대한 부분들을 보는 것과 variance를 봤을 때 입실론에 대한 variance와 실제 y에 대한 variance, y-hat에 대한 variance가 사실상 통일할 수 있다는 부분들을 좀 얘기했었어요. 그리고 결정 개수에 대한 부분 y-hat이란 y죠. 그리고 마지막으로는 가설 검정이라는 검정 결과를 이용해서 우리가 맞다, 틀리다 이렇게 얘기해야 될 거잖아요. 충분히 통일적으로 유의해. 그래서 이거는 베타는 의미가 있어 이렇게 얘기하는 거예요. 그래서 베타와 베타, 우리가 지금 단순한 형형 외계인 x 하나만 모델을 사용했기 때문에 베타0와 베타1에 대해서 충분히 통기적으로 유의한 방법을 결정하는 방법에 대해서는

## 4-1 창 0037 · 00:35:07–00:35:22 · 중요한 의미 차이 미발견

대규모 자료에서는 예측성능을 본다는 공통 취지와 부정 방향이 같다. 일반성의 정오는 별도 문제다.

![[review/audio/4-1/clips/0037.m4a]]

근거 파일: [[review/audio/4-1/0037.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 유의한 방법을 결정하는 방법에 대해서는 애플 얘기 했었어요 근데 실제 관측치가 아마 10만 개 뭐 20만 개 100만 개 이렇게 얘기하고 있는데 가사 검적 계속 하고 있을까요 사실 그럴 때는 사용하지는 않습니다 실제 y 레이블이 존재하는 경우에는 베타에 대한 추정 값을 실제 정확도 성능을 일반적으로 우리가 가늠해 볼 뿐이지 실제 베타에 대한 가설 검증을 직접적으로 하지 않아요.

2차 전사:  20만개, 100만개 이렇게 얘기하고 있는데 가설검정 계속 하고 있을까요? 사실 그럴 때는 사용하지는 않습니다. 실제 Y 레이블이 존재하는 경우에는 베타에 대한 추정값을 실제 정확도 성능으로 일반적으로 우리가 가늠해 볼 뿐이지

## 4-1 창 0038 · 00:35:32–00:35:42 · 중요한 의미 차이 미발견

비밀/피벨류 차이는 문맥상 p-value를 가리키지만 새로운 수치·기각 방향 차이는 없다.

![[review/audio/4-1/clips/0038.m4a]]

근거 파일: [[review/audio/4-1/0038.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 선형 회계 모델을 통기적인 측면에서 충분히 검증하고 사용해야 된다는 의미는 우리 여러분들이 해석을 할 수 있어야 된다는 어떤 비밀로까지 딱 주어지면 통계적으로 충분히 의미가 있겠는데요.

2차 전사:  사용해야 된다라는 의미는 여러분들이 해석을 할 수 있어야 된다라는 어떤 피벨류까지 딱 주어지면 통계적으로 충분히 의미가 있겠는데요.