# 4-2 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.

## 4-2 창 0000 · 00:00:14–00:00:26 · 중요한 의미 차이 미발견

f(X)로 예측Y와 실제Y를 비교한다는 취지는 같고 f로 줄어든 표기·선형회귀 발음 차이뿐이다.

![[review/audio/4-2/clips/0000.m4a]]

근거 파일: [[review/audio/4-2/0000.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 정량적인 정본론과 해당되는 매트로에 대해서 설명드리도록 할게요. 자 우리는 지금 얘기하고자 하는 게 F of X라는 학습모델을 만들어서 상영회기인 거죠. 이거를 가지고 도출되어 있는 예측된 y가 실제 y와 얼마만큼 유사한지를 맞춰보고 싶은 거예요.

2차 전사:  해당되는 메트로에 대해서 설명 드리도록 할게요. 자, 우리는 지금 얘기하고자 하는 게 f 라는 학습 모델을 만들어서 산형 회귀인 거죠.

## 4-2 창 0001 · 00:00:39–00:01:00 · 자료 근거 정정 있음

SST/SSR/SSE의 명칭이 양쪽에서 훼손되고 S는 감사합니다로 끝난다. 화면 세 정의로 정규화한다.

![[review/audio/4-2/clips/0001.m4a]]

근거 파일: [[review/audio/4-2/0001.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 이럴 때 우리가 실제 y에 대한 변동성, 얘가 얼마만큼의 결량을 가지고 있는지를 측정하는 게 필요합니다. 그래서 y가 가지고 있는 전체 변동성을 우리가 sst, total sum of squares라고 보통 얘기하고요. 모델로 설명되는 변동의 부분, 이거를 sum of scale regression이라고 얘기하고요. 마지막으로 우리 모델로 설명할 수 없는 정도치를 ssc라고 얘기합니다.

2차 전사:  연령을 가지고 있는지를 측정하는 게 필요합니다. 그래서 Y가 가지고 있는 전체 변동성을 우리가 SST, Serta Sum of Squares라고 보통 얘기하고요. 모델로 설명되는 연동의 부분, 이거를 Sum of Squares to Regression이라고 얘기하고요. 마지막으로 우리 모델로 설명할 수 없는 감사합니다.

**자료·검토에 따른 정정:** SST:Total Sum of Squares, SSR:Sum of Squares Regression, SSE:Sum of Squares Error

근거: 해당슬라이드에제곱합명칭·식이실제로보인다.

자료: 5._Linear_Regression_II · 물리 페이지/슬라이드 27

[[pdf/5._Linear_Regression_II/page-027.jpg|자료 화면 열기]]

## 4-2 창 0002 · 00:02:32–00:02:45 · 자료 근거 정정 있음

실제Y와 예측Y 차이의 제곱합이 SSC/Ss로 오인식되었다. 화면의 SSE로 확정한다.

![[review/audio/4-2/clips/0002.m4a]]

근거 파일: [[review/audio/4-2/0002.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 첫 번째 실제 y 값과 예측된 y 간의 차이를 보려고 하는 거예요. 이게 sum of square setter예요. ssc라고 보통 얘기하고요. 실제 y 값과 안 해볼까요? 실제 y 값과 예측된 y 값의 차이

2차 전사:  Y간의 차이를 보려고 하는 거예요. 이게 Ss이라고 보통 얘기하고요. 실제 Y값과

**자료·검토에 따른 정정:** SSE=Σ(Y_i−Ŷ_i)²

근거: 해당슬라이드에제곱합명칭·식이실제로보인다.

자료: 5._Linear_Regression_II · 물리 페이지/슬라이드 28

[[pdf/5._Linear_Regression_II/page-028.jpg|자료 화면 열기]]

## 4-2 창 0003 · 00:02:51–00:03:08 · 자료 근거 정정 있음

SSR의 예측값−평균값 제곱합 명칭을 화면으로 확인한다. scales/skils 등의 영문 오인식이다.

![[review/audio/4-2/clips/0003.m4a]]

근거 파일: [[review/audio/4-2/0003.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 스퀘어리가 붙은 거죠. 그렇죠? 그래서 전부 다 합하는 방식입니다. 자, 두 번째로 sum of skills regression은 뭐냐면 우리가 예측된 값과 그리고 평균적인 y값

2차 전사:  이거를 모든 관측체에 대해서 전부 다 합하는 방식입니다. 자, 두 번째로 sum of scales to regression은 뭐냐면 우리가 예측된 값을

**자료·검토에 따른 정정:** SSR=Σ(Ŷ_i−Ȳ)²

근거: 해당슬라이드에제곱합명칭·식이실제로보인다.

자료: 5._Linear_Regression_II · 물리 페이지/슬라이드 29

[[pdf/5._Linear_Regression_II/page-029.jpg|자료 화면 열기]]

## 4-2 창 0004 · 00:03:21–00:03:49 · 중요한 의미 차이 미발견

β1X+β0인 모델과 계수 수렴 비유는 공통. β1=0 결론은 창 끝 이후라 S 누락으로 판단하지 않는다.

![[review/audio/4-2/clips/0004.m4a]]

근거 파일: [[review/audio/4-2/0004.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 얼마만큼 y의 변덕성을 잘 설명하고 있어라는 부분입니다. 우리가 만약에 x를 이용해서 예측된 y를 뽑아내는 f라는 선형 회귀모델을 만든다고 했을 때 이게 수렴이 되다 보면은 beta1 x1에 plus beta0가 우리 모델이라고 한다면 이게 우리 모델이다. 그때 이 beta1이 0으로 수렴해버리고

2차 전사:  설명하고 있어 라는 부분입니다. 자, 예시를 들어볼까요? 우리가 만약에 x를 이용해서 예측된 y를 뽑아내는 f라는 선형 회귀모델을 만든다고 했을 때 이게 수렴이 되다 보면은 그냥 베타1 x1에 플러스 베타0가 우리 모델이라고 한다면 이게 우리 모델이다.

## 4-2 창 0005 · 00:03:53–00:04:02 · 중요한 의미 차이 미발견

절편과 Y평균값의 비유는 같으며 평균키165는 창 끝 일부만 걸친 수치다. 새 수치 상충은 없다.

![[review/audio/4-2/clips/0005.m4a]]

근거 파일: [[review/audio/4-2/0005.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): beta0는 어떤 특정 값으로 얘기를 해볼게요 이게 y바값 그러니까 어떤 학생들의 평균 키가 165였다 한다면

2차 전사:  베타 0은 어떤 특정 값으로 얘기를 해볼게요. 이게 y bar 값. 그러니까 어떤 학생들의 평균 키가

## 4-2 창 0006 · 00:04:20–00:04:28 · 중요한 의미 차이 미발견

우상향 그래프 비유와 수렴 방향은 같고 군더더기만 다르다.

![[review/audio/4-2/clips/0006.m4a]]

근거 파일: [[review/audio/4-2/0006.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 이런 그래프가 있다고 생각을 해봅시다 그때 우리 모델은 어떻게 수렴 된 거다? 뭔가 이렇게 올라가는 방향으로 만들어도 될 텐데

2차 전사:  자, 이런 그래프가 있다고 생각을 해 봅시다. 그때 우리 모델은 어떻게 수렴 된 거다? 뭔가 이렇게 올라가는 방향으로 만들어도 될 때가 있다면,

## 4-2 창 0007 · 00:05:00–00:05:09 · 자료 근거 정정 있음

Sum of Squares Regression 명칭이 S에서 더 훼손되었다. 자료의 SSR 명칭으로 정규화한다.

![[review/audio/4-2/clips/0007.m4a]]

근거 파일: [[review/audio/4-2/0007.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 자, 이게 우리가 측정하고자 하는 이 SumoSquare regression의 핵심이에요. 의미는 뭐냐면 그냥 우리가

2차 전사:  자 이게 우리가 측정하고자 하는 이 썸 오스케 수 리그 에서 4 핵심 이에요 의미는 뭐냐면 야 그냥

**자료·검토에 따른 정정:** SSR:Sum of Squares Regression

근거: 해당슬라이드에제곱합명칭·식이실제로보인다.

자료: 5._Linear_Regression_II · 물리 페이지/슬라이드 29

[[pdf/5._Linear_Regression_II/page-029.jpg|자료 화면 열기]]

## 4-2 창 0008 · 00:05:23–00:05:42 · 중요한 의미 차이 미발견

예측Y와 Y평균의 차이가 SSR 설명량이라는 공통 취지가 유지된다.

![[review/audio/4-2/clips/0008.m4a]]

근거 파일: [[review/audio/4-2/0008.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 근데 그 변수가 결국 Y 변수가 그러니까 아들의 키에 얼마만큼 상대적으로 작게 상대적으로 크게 영향을 준지를 이해해 보고 싶은 거잖아요. 결국은 우리 모델이 상대적으로 Y bar라고 얘기했던 것 대비해서 얼마만큼의 변동성을 줄 수 있는지를 차이를 알게끔 해주는 게 결국 SSR입니다.

2차 전사:  그 변수가 결국 y 변수가 아들의 키에 얼마만큼 상대적으로 작게 상대적으로 크게 영향을 준지를 이해해 보고 싶은 거잖아요. 결국 우리 모델이 상대적으로 y바라고 얘기했던 걸 대비해서 얼마만큼의 변동성을 줄 수 있는지를

## 4-2 창 0009 · 00:06:17–00:06:27 · 중요한 의미 차이 미발견

163을 기준으로 큰/작은 키의 전체 변동을 보는 취지와 수치가 같다.

![[review/audio/4-2/clips/0009.m4a]]

근거 파일: [[review/audio/4-2/0009.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 의미는 뭐였냐면 우리가 전체 y 변수들에 대해서 평균 대비 얼마만큼 키가 커, 키가 작아. 키가 163 기준으로 봤을 때 누군가는 그 보다는 클 테고 누군가는 작아일 거잖아요. 그러니까 얼마만큼 y 자체로 변동성을 가지고 있느냐를 측정해 보는 게 sst라는 얘기예요.

2차 전사:  얼마만큼 키가 커, 키가 작아. 키가 163 기준으로 봤을 때 누군가는 그보다는 클 테고 누군가는 작을 거잖아요. 그러니까 얼마만큼 Y 자체로 변동을

## 4-2 창 0010 · 00:07:01–00:07:11 · 중요한 의미 차이 미발견

Y평균 설명 중 아버지/아들 구별의 부정문이 원문 주변에 있으나 해당 단어는 창 밖이다. 창 내 새 중요 차이는 없으며 Ybar가 무엇의 평균인지는 문맥 확인이 필요하다.

![[review/audio/4-2/clips/0010.m4a]]

근거 파일: [[review/audio/4-2/0010.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 우리 아버지 키를 가지고 실제 세 가지 값을 뽑을 수가 있습니다 첫 번째 값은 뭐이냐면 y바예요 이 y바는 전체 아버지에 대한 키가 아니라

2차 전사:  실제 세 가지 값을 뽑을 수가 있습니다. 첫 번째 값은 뭐이냐면 ybar예요. 이 ybar는 전체 아버지의

## 4-2 창 0011 · 00:07:30–00:07:40 · 중요한 의미 차이 미발견

β1≠0,우상향,positive 방향이 일치한다.

![[review/audio/4-2/clips/0011.m4a]]

근거 파일: [[review/audio/4-2/0011.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 베타1이 적어도 0은 아니야 살아있어 그래서 지금 우상행하고 있죠 뭔가 positive value를 가지고 있다는 얘기죠 자 그럼 베타1이 어떤 값을 갖고 있기 때문에

2차 전사:  베타1이 적어도 0은 아니야 살아있어 지금 우상행하고 있죠 뭐가 포지티브 밸류를 가지고 있다는 얘기죠 그럼 베타1이 어떤 값을 갖고 있기 때문에

## 4-2 창 0012 · 00:09:37–00:09:47 · 중요한 의미 차이 미발견

R² 음수 가능성을 소개하는 두 문장이 창 내 단어 시각 기준으로 같고 모두 결론 직전에 잘린다. 잘림을 긍정/부정 역전으로 보지 않는다.

![[review/audio/4-2/clips/0012.m4a]]

근거 파일: [[review/audio/4-2/0012.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 우리는 r²라는 결정 개수를 뽑아낼 수가 있습니다. 이게 r²니까 마이너스 밸류는 안 되겠네요. 이렇게 생각해 볼 수도 있겠지만 실제로는 마이너스 밸류가 나올 수는 있어요.

2차 전사:  결정 개수를 뽑아낼 수가 있습니다. 이게 R²니까 마이너스 밸류는 안되겠네요. 이렇게 생각해 볼 수도 있겠지만 실제로는 마이너스 밸류가

## 4-2 창 0013 · 00:10:17–00:10:31 · 중요한 의미 차이 미발견

stochastic/deterministic 발음 오인식은 양쪽에 공통이고 완전설명/과적합 비유의 방향은 같다.

![[review/audio/4-2/clips/0013.m4a]]

근거 파일: [[review/audio/4-2/0013.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 우리 모델이 Y변동성을 전부 다 설명하고 있어. 스타캐스틱한 릴레이션, X와 Y 관계, 스타캐스틱한 릴레이션이 아니라 거의 디지털 미스틱한 관계일 수도 있다고 생각해 볼 수도 있고요. 또 다른 측면에서는 아, 이게 너무 과적합됐구나.

2차 전사:  전부 다 설명하고 있어. 그러니까 이거는 어떤 스타케스틱한 릴레이션, X와 Y 관계 스타케스틱한 릴레이션이 아니라 거의 디지털 미스틱한 관계일 수도 있다. 라고 생각해 볼 수도 있고요. 또 다른 측면에서는 아, 이게

## 4-2 창 0014 · 00:11:48–00:11:54 · 자료 근거 정정 있음

R² 공식을 읽는 앞 문장과 뒷 결론이 창 경계에 걸린다. 화면의 전체 식을 설명용으로 확정한다.

![[review/audio/4-2/clips/0014.m4a]]

근거 파일: [[review/audio/4-2/0014.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): SST 분의 SSE로 표현을 다시 해볼 수가 있게 되겠습니다. 오케이? 자, R²는 일반적으로 0과 1 사이에 존재해요.

2차 전사:  표현을 다시 해볼 수가 있게 되겠습니다. OK? R²는 일반적으로 0과

**자료·검토에 따른 정정:** R²=SSR/SST=1−SSE/SST

근거: 해당슬라이드에제곱합명칭·식이실제로보인다.

자료: 5._Linear_Regression_II · 물리 페이지/슬라이드 33

[[pdf/5._Linear_Regression_II/page-033.jpg|자료 화면 열기]]

## 4-2 창 0015 · 00:12:42–00:12:51 · 중요한 의미 차이 미발견

R²=0이면 SSR=0이라는 핵심 숫자·등식은 같다. 엑스펜스/설명 오인식 외 새 중요 차이는 없다.

![[review/audio/4-2/clips/0015.m4a]]

근거 파일: [[review/audio/4-2/0015.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): y 변속성을 전부 다 얘가 예측을 해버리고 있다는 얘기에요 r2가 0이라면 어떤 의미가 이런 수는 y 설명에 전혀 도움이 되지 않는다. 말 그대로 SSR 자체가 0이 되어야지만 r² 0이 되겠죠.

2차 전사:  r2가 0이라면 어떤 의미일까요? 현재 가지고 있는 엑스펜스는 y자명에 전혀 도움이 되지 않는다. 말 그대로 SSR 자체가 0입니다.

## 4-2 창 0016 · 00:14:30–00:14:37 · 중요한 의미 차이 미발견

올라감/내려감의 시각 비유는 동일하다.

![[review/audio/4-2/clips/0016.m4a]]

근거 파일: [[review/audio/4-2/0016.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 이렇게 이렇게 그렇죠. 어느 정도 올라갔다 올라가고 내려갈 때 내려오는 걸

2차 전사:  이렇게 이렇게 그쵸 어느 정도 올라갔다 올라가고 내려갈때 내려오는

## 4-2 창 0017 · 00:18:29–00:18:38 · 중요한 의미 차이 미발견

많은 변수 사용 문제를 해결한다는 취지이며 흡리→해결 외 새 수식 변화는 없다.

![[review/audio/4-2/clips/0017.m4a]]

근거 파일: [[review/audio/4-2/0017.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 기존에 있는 r2가 더 많은 변수를 사용하는 이런 문제점들을 흡리를 할 수 있을까 생각 한번 해보시죠. 이 공식이 왜 이렇게 생겼는지를 떠나서

2차 전사:  기존에 있는 R²가 더 많은 변수를 사용하는 이런 문제점들을 해결할 수 있을까 생각 한번 해보시죠. 이 공식이 왜 이렇게 생겼는지를 떠나서

## 4-2 창 0018 · 00:19:30–00:19:38 · 중요한 의미 차이 미발견

보정 비율과 케이스2로 넘어가는 문장이 같고 새 수치 정보는 없다.

![[review/audio/4-2/clips/0018.m4a]]

근거 파일: [[review/audio/4-2/0018.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 뒤에 있는 비율이 조정이 될 겁니다. 이렇게 케이스 2번을 한번 적용을 해볼까요? 케이스 2번인 경우에는

2차 전사:  뒤에 있는 비율이 조정이 될 겁니다. 이렇게 케이스 2번을 한번 적용해 볼까요? 케이스 2번인 경우에는

## 4-2 창 0019 · 00:20:09–00:20:15 · 중요한 의미 차이 미발견

비율이1에 가까운 큰 표본 비유는 같고 S는 다음 용어의 창 경계에서 잘린다.

![[review/audio/4-2/clips/0019.m4a]]

근거 파일: [[review/audio/4-2/0019.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 그럼 거의 1에 가까운 수가 나올 거예요. 이 값 자체가. 그렇죠? 다시 한번 얘기한다면 이 수정결정개수에서는

2차 전사:  가까운 수가 나올 거에요 이 값 자체가 그렇죠 다시 한번 얘기하자면 이수

## 4-2 창 0020 · 00:20:27–00:20:58 · 자료 근거 정정 있음

계수가1보다 작다는 공통 표현과 S의 SST 분모 생략은 화면 보정계수와 다르다. 보이는 전체 식과 양의 분모 조건을 함께 기록한다.

![[review/audio/4-2/clips/0020.m4a]]

근거 파일: [[review/audio/4-2/0020.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): p가 조금 더 많이 들어가더라도 되는 영향에 따라서 r2가 반영되도록 하구요. 하지만 n이 p보다 많이 많이 크지 못한 경우에 많이 많이 크지 못한 경우에는 아무래도 이 역할 자체가 1보다 훨씬 더 작은 값에 대해 조절되면서 실제로는 ss t 분의 ss e 가 1에서 빼지는 양에 대해서 조절을 하게끔 만들어준다는 거죠. 위에 있는 텀과 아래에 있는 텀을 다시 쳐보면 n-1을

2차 전사:  조금 더 많이 들어가더라도 이 해당되는 영향에 따라서 R²가 반영되도록 하고요. 하지만 N이 P보다 많이 많이 크지 못한 경우에는 아무래도 이 역할 자체가 1보다 훨씬 더 작은 값에 대해 조절되면서 실제로는 SSE가 1에서 빼지는 양에 대해서 조절을 하게끔 만들어 준답니다. 다시 쳐 보면

**자료·검토에 따른 정정:** 수정R²=1−[(n−1)/(n−p−1)]×SSE/SST; n>p+1,p>0이면계수는1보다크다.

근거: 제공자료상단의전체수식을읽은대수적설명이다.실제음성의부등호를확정하는기록은아니다.

자료: 5._Linear_Regression_II · 물리 페이지/슬라이드 35

[[pdf/5._Linear_Regression_II/page-035.jpg|자료 화면 열기]]

## 4-2 창 0021 · 00:21:14–00:21:31 · 학습 보류

n=100,p=50 예제의 숫자/1.0얼마가 혼재해 개별 수치 발언은 확정하지 않는다. 자료 식 자체는 별도로 확인 가능하다.

![[review/audio/4-2/clips/0021.m4a]]

근거 파일: [[review/audio/4-2/0021.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 사실 이 p 자체가 n에 준할 정도로 큰 사이즈가 된다면 예를 들어서 n은 됐겠네 p 는 50 정도 돼 이렇게 되면은 상대적인 영향 자체가 1.0 얼마 뭐 기타 등등등 뭐 이렇게 되겠죠 말 그대로 ssd 분의 ssd 분의 좀 더 웨이트를 줘서 1- 값에 대한 값을 빼게 되면 r2 값이 좀 더 떨어지도록 만들다 이렇게 얘기를 하시면 될 것 같아요

2차 전사:  사실 이 P 자체가 N에 준할 정도로 큰 사이즈가 된다면 예를 들어서 N은 100겠네, P는 50 정도 돼. 이렇게 되면 상대적인 영향 자체가 1.0 얼마 기타 등등 이렇게 되겠죠. 말 그대로 SST 분의 SSE의

## 4-2 창 0022 · 00:21:38–00:21:52 · 자료 근거 정정 있음

S에서 작거나같음이 항상작음으로 좁아졌다. 화면의 ≤를 따른다.

![[review/audio/4-2/clips/0022.m4a]]

근거 파일: [[review/audio/4-2/0022.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 말 그대로 ssd 분의 ssd 분의 좀 더 웨이트를 줘서 1- 값에 대한 값을 빼게 되면 r2 값이 좀 더 떨어지도록 만들다 이렇게 얘기를 하시면 될 것 같아요 자 그렇기 때문에 이 r2 adjusted r2는 r2 값 대비 항상 값거나 하는 그 값보다는 작게끔 됩니다 예를 들어서 이 값 자체가 1이 된다면 어떻게 되죠?

2차 전사:  만들다 이렇게 얘기하시면 될 것 같아요. 그렇기 때문에 이 R² Assisted R²는 R² 값 대비 항상 값이 작게끔 됩니다. 예를 들어서 이 값 자체가

**자료·검토에 따른 정정:** 수정R²≤R²(동일표본의정의조건아래);같을수도있음

근거: 수식아래≤관계가실제로보인다.

자료: 5._Linear_Regression_II · 물리 페이지/슬라이드 35

[[pdf/5._Linear_Regression_II/page-035.jpg|자료 화면 열기]]

## 4-2 창 0023 · 00:23:30–00:23:42 · 학습 보류

S는 얼마만큼이면 정답이다/충분히 쓸 수 있다를 덧붙인다. 원문의 부정 후속절은 창 밖이므로 실제 찬반 발언을 단정하지 않고 사용 가능성 문구를 미확정으로 남긴다.

![[review/audio/4-2/clips/0023.m4a]]

근거 파일: [[review/audio/4-2/0023.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 그렇기 때문에 r2는 y의 변량의 모델이 갖는 설명 가능한 비율이다. 이렇게 이해하시면 좋겠습니다. 본 예제에서는 r2와 아드사스의 r2 모두 0.6 정도에 해당되는 수치를 가져요. 충분히 쓸 수 있다 이렇게 얘기할 수는 없지만

2차 전사:  설명 가능한 비율이다. 이렇게 이해하시면 좋겠습니다. 본 예제에서는 R²와 아우사스의 R² 모두 0.6 정도에 해당되는 수치를 가져요. 얼마만큼이면 정답이다. 충분히 쓸 수 있다.

## 4-2 창 0024 · 00:23:46–00:23:56 · 중요한 의미 차이 미발견

정답 표시를 지우고 멈춰보라는 안내의 취지가 같다.

![[review/audio/4-2/clips/0024.m4a]]

근거 파일: [[review/audio/4-2/0024.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 오케이. 그래서 정답에 해당되는 부분들은 지우고 이걸 잠깐 멈춰놓고 보시고 참고하시면 정답을 확인해 볼 수가 있을 거예요.

2차 전사:  정답에 해당되는 부분들은 지우고 이걸 잠깐 멈춰놓고 보시고 참고하시면

## 4-2 창 0025 · 00:27:17–00:27:43 · 중요한 의미 차이 미발견

SS2→SSE 등 영문은 개선됐지만 두 ASR 모두 원문 슬라이드의 카이제곱 조건 생략을 공유한다. 새로운 분포 방향 차이는 없고 REG-07 별도 주의가 필요하다.

![[review/audio/4-2/clips/0025.m4a]]

근거 파일: [[review/audio/4-2/0025.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 그래서 이 제곱판 입혀줬기 때문에 여전히 연속 확률분포가 됩니다. 자 그래서 우리가 기호로 봤을 때 x에다가 카이제곱에 대한 부분들을 붙여주게 돼요. SSR도 카이스퀘어를 따르게끔 내고요. 이 SS2도 카이스퀘어를 따른다고 우리는 가지고 갈 겁니다. 자, 그래서 카이스퀘어에 대한 형태로 우리는 만들어주고 이거를 정기 분포에 대한 값에 대한 제곱으로 만들 거고요. 자, 지금 보시면 Y가 S카이 분포를 따르게끔 된다.

2차 전사:  여전히 연속법률 문구가 됩니다. 자, 그래서 우리가 기호로 봤을 때 x에다가 chi-square에 대한 부분들을 붙여주게끔 돼요. ssr도 chi-square를 따르게끔 되고요. 이 sse도 chi-square를 따른다고 우리는 가지고 갈 겁니다. 자, 그래서 chi-square에 대한 형태로 만들어주고 이거를 정규분포에 대한 값에 대한 제곱으로 만들 거고요. 자, 지금 보시면 y가

## 4-2 창 0026 · 00:29:09–00:29:25 · 자료 근거 정정 있음

카이제곱이 항상0에서 최대라는 공통 표현은 화면 곡선족과 다르다. 실제 보이는 곡선의 봉우리 변화로 설명을 제한한다.

![[review/audio/4-2/clips/0026.m4a]]

근거 파일: [[review/audio/4-2/0026.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 이 통계량 자체가 카이 제곱 분포를 따르게끔 된다. 자, 가위 제곱 공권은 왼쪽에 있는 그래프처럼 항상 0인 값에서 항상 가장 큰 값을 가지고 있다가 실제 k가 커지면 커질수록 어떻게 되죠?

2차 전사:  카이 제곱 분보를 따르게끔 된다. 자, 카이 제곱 분보는 왼쪽에 있는 그래프처럼 항상 0인 값에서 항상 가장 큰 값을 가지고 있다가 실제 k가 커지면 커질수록

**자료·검토에 따른 정정:** 카이제곱분포의봉우리위치는자유도k에따라달라진다.항상0에서최대는아니다.

근거: 좌측k=3,4,6,9곡선은x=0에서시작해양수x에서봉우리가있다.

자료: 5._Linear_Regression_II · 물리 페이지/슬라이드 40

[[pdf/5._Linear_Regression_II/page-040.jpg|자료 화면 열기]]

## 4-2 창 0027 · 00:30:23–00:30:30 · 학습 보류

쿼터시스템이라는 용어가 양쪽에 공통으로 불분명하다. kurtosis 등을 추측해 확정하지 않는다.

![[review/audio/4-2/clips/0027.m4a]]

근거 파일: [[review/audio/4-2/0027.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): K값을 점점점점 자유도를 좀 키워갈수록 아무래도 조금 더 쿼터 시스템이 좀 더 낮은

2차 전사:  점점점점 자유도를 좀 키워 갈수록 아무래도 이제 조금 더 어 아무래도 이제 쿼터 시스템 좀 더 낮은

## 4-2 창 0028 · 00:30:43–00:30:51 · 자료 근거 정정 있음

분산분석을 분석분석/분석으로 오인식했다. 화면 제목으로 정규화한다.

![[review/audio/4-2/clips/0028.m4a]]

근거 파일: [[review/audio/4-2/0028.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 분석 분석을 제대로 해보려고 하는 거예요. 그래서 선형 회기 모델에 대한 분석 분석은 우리 V1, V2가 이렇게 해당되는 두 가지 카이 제곱 확률 분포로서

2차 전사:  그래서 선형 회귀모델에 대한 분석은 V1, V2가 이렇게 해당되는 두 가지 카이제코를

**자료·검토에 따른 정정:** 선형회귀모델에서의 분산분석(ANOVA)

근거: 슬라이드제목에분산분석이보인다.

자료: 5._Linear_Regression_II · 물리 페이지/슬라이드 41

[[pdf/5._Linear_Regression_II/page-041.jpg|자료 화면 열기]]

## 4-2 창 0029 · 00:31:00–00:31:07 · 자료 근거 정정 있음

SSR/1,SSE/(n−2)의 분모가 M−2/M−EE로 훼손되어 화면 F식으로 확정한다.

![[review/audio/4-2/clips/0029.m4a]]

근거 파일: [[review/audio/4-2/0029.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): SSR 1 SSE M-2에 대한 F통계량을 구입하면 됩니다.

2차 전사:  SSR 1, SSE M-EE에 대한

**자료·검토에 따른 정정:** F*=(SSR/1)/(SSE/(n−2))

근거: 붉은F식의분자/분모및자유도1,n−2가보인다.분포성립조건은REG-07참조.

자료: 5._Linear_Regression_II · 물리 페이지/슬라이드 41

[[pdf/5._Linear_Regression_II/page-041.jpg|자료 화면 열기]]

## 4-2 창 0030 · 00:31:26–00:31:33 · 자료 근거 정정 있음

SS2/M−E 등의 기호가 불분명해 화면 SSE 및 n−2 자유도로 교정한다.

![[review/audio/4-2/clips/0030.m4a]]

근거 파일: [[review/audio/4-2/0030.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): SS2에 대해서는 M-E에 대한 자유도를 나눠주게끔 됩니다 자 이렇게 해서 이 해당되는 두 가지 통계량을 가지고

2차 전사:  m-2에 대한 자유도를 나눠주기 끝내기다. 자, 그렇게 해서 이 해당되는 두 가지 통계량을...

**자료·검토에 따른 정정:** SSE의잔차자유도 n−2

근거: SSE/(n−2)가실제로표시된다.

자료: 5._Linear_Regression_II · 물리 페이지/슬라이드 41

[[pdf/5._Linear_Regression_II/page-041.jpg|자료 화면 열기]]

## 4-2 창 0031 · 00:33:02–00:33:18 · 자료 근거 정정 있음

분산분석 제목이 가사분석으로 악화됐다. 화면의 ANOVA/F 출력 맥락으로 정규화한다.

![[review/audio/4-2/clips/0031.m4a]]

근거 파일: [[review/audio/4-2/0031.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 자 그래서 분산 분석에 대한 가설 검정 결과를 해석만 잘 하시면 돼요 앞에 있는 카스케어가 어떻게 생겼고 우리가 이제 F-Statistic을 어떻게 뽑았고 이것까지는 여러분들이 이해하지는 않더라도 결국 결과는 해석을 해봐야 된다 자 여기에서 F-Statistic가 어디 있죠? 밑쪽에 있나요?

2차 전사:  가사 분석에 대한 가사 검정 결과를 해석만 잘 하시면 돼요. 앞에 있는 카스케어가 어떻게 생겼고 우리가 이제 F-statistic을 어떻게 뽑았고 이것까지는 여러분들이 이해하지는 않더라도 결국 결과는 해석을 해봐야 된다. 자, 여기에서 F-statistic은 어디 있죠?

**자료·검토에 따른 정정:** 분산분석의F통계량해석

근거: 보이는제목및출력의F=89.57,DF=1,48을참조한다.

자료: 5._Linear_Regression_II · 물리 페이지/슬라이드 42

[[pdf/5._Linear_Regression_II/page-042.jpg|자료 화면 열기]]

## 4-2 창 0032 · 00:34:03–00:34:11 · 자료 근거 정정 있음

0 개수를 세는 표현은 양쪽에 같지만 자릿수 해석은 위험하다. 화면 p=1.49e−12 표기로 제한한다.

![[review/audio/4-2/clips/0032.m4a]]

근거 파일: [[review/audio/4-2/0032.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 0.0000000이 총 12개가 있고 뒤에 149가 보는 거예요. 오케이? 그러니까 충분히 0에 가까운 값이 나왔다. 그래서 의미한 바는 뭐냐면

2차 전사:  0이 총 12개가 있고 뒤에 1, 4, 9가 붙는 거예요. 오케이? 그러니까 충분히 0에 가까운 값이 나왔다. 그래서 이미 한 번

**자료·검토에 따른 정정:** p-value=1.49×10^−12

근거: R출력의마지막줄에과학적표기가보인다.빈청록답란이나숨은텍스트는근거로쓰지않았다.

자료: 5._Linear_Regression_II · 물리 페이지/슬라이드 42

[[pdf/5._Linear_Regression_II/page-042.jpg|자료 화면 열기]]

## 4-2 창 0033 · 00:34:15–00:34:31 · 중요한 의미 차이 미발견

유의성 해석의 방향은 같지만 분산 비교 문장의 검정대상이 모호하다. 새 ASR 의미차이가 없으며 REG-06/07과 함께 읽어야 한다.

![[review/audio/4-2/clips/0033.m4a]]

근거 파일: [[review/audio/4-2/0033.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 회기모형의 Y별량 설명력이 해당되는 위쪽 값 이 해당되는 부분이 분산이 아래에 있는 분산 대비 통기적으로 충분히 유의하다라는 수가 있겠습니다. 해당되는 정답은 아래와 같이 표시해 볼 테니까

2차 전사:  연량 설명력이 해당되는 위쪽 값이 해당되는 부분이 분산이 아래에 있는 분산 대비 통기적으로 충분히 유의하다라는 것들을 설명해 줄 수가 있겠습니다. 해당되는 정답은 아래와 같이 표시합니다.

## 4-2 창 0034 · 00:34:43–00:34:51 · 자료 근거 정정 있음

최소제곱법/LSE가 채소재고법 등으로 훼손됐다. 자료의 명칭으로 정규화한다.

![[review/audio/4-2/clips/0034.m4a]]

근거 파일: [[review/audio/4-2/0034.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 개요, 그 다음에 가정 를 이제 한번 배워 봤었고요. 지난주에 있죠. 채수제곱법에 대해서도 우리가 생각해 봐서 리스트 스케일 스토메이션에

2차 전사:  그 다음에 가정, 그거를 이제 한번 배워 봤었구요. 지난주에 했죠. 채소 재고법에 대해서도 우리가 생각해 봐서

**자료·검토에 따른 정정:** 최소제곱법(Least Squares Estimation)

근거: 알고리즘상자에한글/영문명칭이보인다.

자료: 5._Linear_Regression_II · 물리 페이지/슬라이드 9

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

## 4-2 창 0035 · 00:34:53–00:35:00 · 중요한 의미 차이 미발견

BLUE/불편추정량의 요약은 동일하고 말꼬리 잘림 외 새 중요 차이는 없다.

![[review/audio/4-2/clips/0035.m4a]]

근거 파일: [[review/audio/4-2/0035.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 따라서 만들었었던 가장 좋은 불편 추적량. 그래서 우리가 블루라고 라고 얘기했었어요. 그리고 파라미터 추이론 측면에서

2차 전사:  가장 좋은 불편 추적량 그래서 우리가 블루라고 얘기했었어요. 그리고 파라미터

## 4-2 창 0036 · 00:35:50–00:36:01 · 중요한 의미 차이 미발견

추정→주점,트레이닝페이지 등의 발음 오인식이 있으나 파라미터 탐색이라는 핵심 취지는 같다.

![[review/audio/4-2/clips/0036.m4a]]

근거 파일: [[review/audio/4-2/0036.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 이거는 여기서 끝나지 않고 다음 주에 또 이어서 진행할 겁니다. 선용 회계 모델의 추정은 결국은 선용 회계 모델에 대한 파라미터를 탐색하고 이게 트레이닝 페이지이죠. 트레이닝 페이지는 결국은 파라미터를 탐색하는 거예요.

2차 전사:  이거는 여기서 끝나지 않고 다음 주에 또 이어서 진행할 겁니다. 선형 회계 모델의 주점은 결국은 선형 회계 모델에 대한 파라미터를 탐색하고 이게 트레이닝 페이지죠. 트레이닝 페이지는 결국은 파라미터를 탐색하는

## 4-2 창 0037 · 00:36:12–00:36:23 · 중요한 의미 차이 미발견

수정R²를 사용해 변수 수를 고려한다는 취지와 비교 방향은 같다. 사용 조건은 REG-04/05 참조.

![[review/audio/4-2/clips/0037.m4a]]

근거 파일: [[review/audio/4-2/0037.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 또 여러분들 이 모델에 대해서 정량적인 평가를 위해서 R2에 대한 의미를 제대로 이해를 할 테고요. 실제 적절한 변수 수를 사용할 수 있도록 Adjusted-Sys R2를 사용하는 게 더 의미가 있다. 또 성형 회계 모델의 파라미터 추정을 통한 추정 방법을 제대로 이해하시는 게 필요할 것 같고요.

2차 전사:  R²에 대한 의미를 제대로 이해를 할 테고요. 실제 적절한 변수 수를 사용할 수 있도록 어저세스 R²를 사용하는 게 더 의미가 있다. 또 성형 회귀 모델의 파란 히터 추정을 통한 추정 방식을

## 4-2 창 0038 · 00:36:26–00:36:39 · 학습 보류

PDF/CMF/C++와 PDF/CMF/CG가 충돌한다. 제공 화면에 정확한 약어 열거가 없어 CDF 등으로 추측 복원하지 않는다.

![[review/audio/4-2/clips/0038.m4a]]

근거 파일: [[review/audio/4-2/0038.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 그리고 분석 결과에 대해서 해석하실 수 있으면 될 것 같습니다. 복잡한 어떤 통계 모델에 대한 PDF, CMF, C++를 여러분들이 외워라 이런 문제를 내거나 앞으로도 여러분을 살면서 그러지는 않을 거예요. 그래서 제대로 된 해석을 제대로 하는 게 설명할 수 있는 게

2차 전사:  대해서 해석하실 수 있으면 될 것 같습니다. 복잡한 어떤 통계 모델에 대한 pdf, cmf, cg를 갖다가 여러분들이 외워라 이런 문제를 내거나 앞으로도 이제 여러분 살면서 그러지는 않을 거예요.

## 4-2 창 0039 · 00:37:22–00:37:33 · 중요한 의미 차이 미발견

장비/마무리 안내에서 중요한 강의 명제·수식 차이는 없다.

![[review/audio/4-2/clips/0039.m4a]]

근거 파일: [[review/audio/4-2/0039.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 패드백을 좀 다시 하고 장비를 올해 다시 산 건데 혹시나 문제가 됐다면 내가 조치를 좀 취하도록 하겠습니다. 네 이번 차시 2반 이만 영상을 마치도록 할게요. 수고하셨습니다.

2차 전사:  장비를 올해 다시 산 건데 혹시나 문제가 있다면 내가 조치를 취하도록 하겠습니다. 네, 이번 자시 이반 이만 영상을 마치도록 할게요. 수고하셨습니다.