# 5-2 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.

## 5-2 창 0000 · 00:00:24–00:00:38 · 중요한 의미 차이 미발견

R²와 수정R²/다중공선성 도형 소개는 같고 결정개수가 결정계수로 개선된다. 변수추가시 수정R²의 단조성 주장은 REG-05 조건과 별개다.

![[review/audio/5-2/clips/0000.m4a]]

근거 파일: [[review/audio/5-2/0000.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 저 부분이 다중공선성에 해당되는 문제가 있는 영역이에요. 그런데 문제는 뭐냐면 결정 개수, 그냥 R2 또는 Adjusted R2 이런 걸 사용할지언정 무튼간에 저 영역을 Y별량이라고 박스에 쳐놨던 저 스퀘어 영역을 최대한 색깔을 많이 칠하면 칠할수록 R2는 증가할 뿐이지

2차 전사:  다중공선성에 해당되는 문제가 있는 영역이에요 근데 문제는 뭐냐면 우리가 결정계수 예를 들어서 그냥 R2 또는 Adjusted R2 이런 걸 사용할지언정 무튼간에 저 영역을 Y

## 5-2 창 0001 · 00:00:54–00:01:15 · 중요한 의미 차이 미발견

결정계수만으로 공선성을 알수없다는 대비는 유지된다. 계수계산 용어가 대수/개수로 흔들리지만 새 수식 방향 차이는 없다.

![[review/audio/5-2/clips/0001.m4a]]

근거 파일: [[review/audio/5-2/0001.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): Adjusted R2 또한 증가할 뿐이지 하얀색 영역이 제외한 X1과 X2가 이렇게 오버랩된 게 많이 있다고 해서 이렇게 보지 못하는 거예요 결정 개수만으로는 그걸 우리가 알 수 없다고 그럼 이걸 어떻게 할 건데 라고 얘기하기 전에 다중공소성 문제가 발생하면 뭐가 문제인가요 이 얘기 부터 좀 얘기를 봅시다 자 첫 번째 뭐냐면 최소 제곱 법에 따른 대수의 계산이 어려워요 우리가 베타 제로와 베타 원에 대해서 어 우리가 이제 블루라는 추정법에 따르면 베스트 베스트 리니어

2차 전사:  이렇게 오버랩된 게 많이 있다고 해서 문제가 된다 이렇게 보지 못하는 거예요 결정계수만으로는 그걸 우리가 알 수 없다고 그럼 이걸 어떻게 할 건데 라고 얘기하기 전에 다중공소성 문제가 발생하면 뭐가 문제인가요? 이 얘기부터 좀 얘기를 해 봅시다 첫 번째는 뭐냐면 최소제곱법에 따른 개수의 계산이 어려워요 그러니까 베타0와 베타1에 대해서

## 5-2 창 0002 · 00:03:09–00:03:19 · 중요한 의미 차이 미발견

공선성시 계수추정 어려움과 최소제곱만의 문제는 아니라는 부정 방향이 같다.

![[review/audio/5-2/clips/0002.m4a]]

근거 파일: [[review/audio/5-2/0002.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 중첩이 되버리는데 그게 언제 얼마만큼 더 발휘이 될지 알 수가 없는 거예요. 자 그렇기 때문에 이런 부분에 있어서는 β0, β1 어떻게 추정을 해다. 최소 제곱법이 아니더라도 문제가 된다.

2차 전사:  언제 얼마만큼 더 발행될지 알 수가 없는 거야 그렇기 때문에 이런 부분에 있어서는 베타0, 베타1 어떻게 추정을 하다 최소제곱법이 아니더라도 문제가 된다

## 5-2 창 0003 · 00:04:08–00:04:26 · 학습 보류

S가 항상 점추정보다를 덧붙이고 베이지안 용어가 다르다. 화면으로 항상이라는 비교와 딥러닝 주장을 확정할 수 없다.

![[review/audio/5-2/clips/0003.m4a]]

근거 파일: [[review/audio/5-2/0003.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 컴퓨턴스 인터벌을 95%로 봤을 때 유의 수준 얘는 여기에서 여기까지 어떤 하한선에서 상한선까지 해당되는 베타원을 가질 거야. 뭐 이런 식으로 얘기할 수 있는 거잖아요. 그래서 구간 추정이 좀 더 인포머티브예요. 그래서 딥러닝도 베이지한 딥러닝처럼 베이지한 뉴럴 네트워크처럼 구간 추정을 하는 게 좀 더 강건한 예측 결과를 내준다고 일반적으로 랭킹합니다.

2차 전사:  얘는 여기에서 여기까지 하한선에서 상한선까지 해당되는 베타원을 가질 거야 이런 식으로 얘기할 수 있는 거잖아요 구간 추정이 좀 더 인포머티브해요 항상 점 추정보다 그래서 딥러닝도 베이징 딥러닝처럼 베이징 뉴럴 네트워크처럼

## 5-2 창 0004 · 00:04:39–00:04:55 · 중요한 의미 차이 미발견

점추정값을 고정한 채 분모 표준오차가 커진다는 비교가 같다.

![[review/audio/5-2/clips/0004.m4a]]

근거 파일: [[review/audio/5-2/0004.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 훨씬 더 크게 증가할 수밖에 없어요. 그래서 저 식을 보면 Standard deviation of beta0, beta1에 해당된 부분이 분모에 가 있고요. 분자에는 beta1의 점추정값이 가 있어요. 다시 얘기하면 점추정값은 고정돼 있어. 근데 분산이 늘어났어. 베타에 대한 추정값이

2차 전사:  훨씬 더 크게 증가할 수 밖에 없어요 그래서 저 식을 보면 Standard deviation of β0, β1에 해당되는 부분이 분모에 가 있고요 분자에는 β1의 점추정값이 가 있어요 자 다시 얘기하면 점추정값은 고정되어 있어 근데 분산이 늘어났어 베타에 대한 추적

## 5-2 창 0005 · 00:05:15–00:05:26 · 중요한 의미 차이 미발견

분모가커짐→통계량작아짐의 비교 방향이 유지된다. 표준오차와 분산을 섞는 공통 표현 자체는 보장하지 않는다.

![[review/audio/5-2/clips/0005.m4a]]

근거 파일: [[review/audio/5-2/0005.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 어떻게 돼? 작아지는 거야. 분모가 커지니까. 표준오차를 이걸 갖다 뭐라고 얘기했냐면 표준오차 이 분산값이 팽창한다. 팽창하다는게 분산값이 커지는거야. 분모가 커지면 어떻게돼?

2차 전사:  작아지는 거야 분모가 커지니까 표준오차를 이걸 갖다 뭐라 해야 되냐면 표준오차 분모에 해당되는 이 분산값이 팽창을 한다 팽창하다는 게 분산값이 커지는 거야 분모가 커지면 어떻게 돼?

## 5-2 창 0006 · 00:05:50–00:06:08 · 자료 근거 정정 있음

T가작아지면P가커짐을 S가 P가작아지면P가커짐으로 바꿨다. 화면 t비율·검정식으로 대상 기호를 교정한다.

![[review/audio/5-2/clips/0006.m4a]]

근거 파일: [[review/audio/5-2/0006.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 이 학습모델의 의미가 있냐는 가설 검증을 할 수가 있는데 그때 이 T값이 작아지면 어떻게 되냐면 P값이 커져요. 그래서 0가설을 기획할 수가 없어요. 0가설이 뭐냐면 어... 어... 빠져든다. 어디까지 설명을 해야 되지? 모델에 대한 유의성을 검증하는데 가설 검정을 쓰거든요.

2차 전사:  이 학습모델이 의미가 있냐는 가정검증을 할 수가 있는데 그때 이 p값이 작아지면 어떻게 되냐면 p값이 커져요 그래서 연가설을 기가할 수가 없어요 연가설이 뭐냐면 빠져든다 어디까지 설명을 해야 되지 모델이 되어야지

**자료·검토에 따른 정정:** 같은기울기추정값에서표준오차가커지면|t|가작아진다.기울기양측검정의p값은커지는방향이다.

근거: 표준오차분모의t식과분산팽창→t값하락문구를확인했다.양측검정방향은회귀II17쪽꼬리확률식도참조한다.

자료: 6._Linear_Regression_III_updated · 물리 페이지/슬라이드 17

[[pdf/6._Linear_Regression_III_updated/page-017.jpg|자료 화면 열기]]

## 5-2 창 0007 · 00:06:51–00:07:15 · 자료 근거 정정 있음

p값을 H0가참일 확률로 설명한 두 전사는 같지만 화면의 꼬리확률 공식과 다르다. 실제 발언 확정이 아닌 자료 기반 수식교정을 제안한다.

![[review/audio/5-2/clips/0007.m4a]]

근거 파일: [[review/audio/5-2/0007.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 이게 학습모델이 의미 없다고 주장하는 0가설이 맞을 확률이 높아진다는 얘기에요. 그래서 p-value가 커진다는 거예요. p-value는 기본적으로 0가설이 맞을 확률이라고 보시면 돼요. 대립가설인 우리가 주장하고 싶은 바 우리가 변수를 20개를 해가지고 의미 없는 변수를 잘라내고 와 이 학습모델 잘 맞는 것 같아 이렇게 생각을 했는데 생각보다 이 학습모델이 잘 안 맞는 거야 라고 얘기할지언정 그래도 우리가 평균치기 하는 것보단 낮다라고 얘기한다는 게 좋다는 얘기죠.

2차 전사:  0가설이 맞을 확률이 높아진다는 얘기예요 그래서 p-value가 커진다는 거예요 p-value는 기본적으로 0가설이 맞을 확률이라고 보시면 돼요 자 그래서 대립가설인 우리가 주장하고 싶은 바 우리가 이제 변수를 20개를 해가지고 의미 없는 변수 잘라내고 와 이 학습모델 잘 맞는 거 어때 이렇게 생각을 했는데 생각보다 이 학습모델이 잘 안 맞는 거야 라고 얘기할지언정 그래도 우리가 평균치기 하는 것보단 낮다라고 얘기합니다.

**자료·검토에 따른 정정:** 표시된기울기양측검정p=2P(T>|t*|), T~t(n−2)이며H0아래의꼬리확률이다.

근거: 화면하단p-value공식이보인다.실제발언을확정하는것이아닌공식기반설명교정이다.

자료: 5._Linear_Regression_II · 물리 페이지/슬라이드 17

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

## 5-2 창 0008 · 00:08:18–00:08:44 · 자료 근거 정정 있음

correlation matrix가 covariance 비슷한 표현으로 바뀌고 pairwise histogram도 모호하다. 화면의 산점도/상관계수라는 대상만 정규화한다.

![[review/audio/5-2/clips/0008.m4a]]

근거 파일: [[review/audio/5-2/0008.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 아빠의 키와 할아버지 키는 원래부터 알고 있잖아 우리가 잘 그걸 갖다 왔자면 알 수 있는 게 뭐냐면 모든 X 변수들에 대해서 각각의 변수마다의 할아버지 키, 아빠 키, 할아버지 키, 선자 키, 할아버지 키, 삼촌 키 그래서 X가 만약에 10개 있었으면 10개를 하나씩, 하나씩, 두 개씩 평화시하게 히스토그램을 다 그려보는 거예요. 빨리 그려볼 수 있는 게 뭐냐면, 여러분들 코르레이션 매트릭스는 코르레이션 이피션트 매트릭스처럼

2차 전사:  아빠의 키와 할아버지 키는 원래부터 알고 있잖아요 우리가 잘 그런데 그걸 갖다 놨자면 알 수 있는 게 뭐냐면 페어와이즈하게 모든 x 변수들에 대해서 각각의 변수마다 페어와이즈하게 각 변수 할아버지 키, 아빠 키, 할아버지 키, 손자 키, 할아버지 키, 삼촌 키 x가 만약에 10개 있었으면 10개를 하나씩 하나씩 2개씩 페어와이즈하게 히스토그램을 다 그려보는 거예요 빨리 그려볼 수 있는 게 뭐냐면 여러분들 코베리스 매칭을

**자료·검토에 따른 정정:** 설명변수쌍의산점도와상관계수(Correlation)로선형상관을살펴본다.

근거: 산점도패널과Correlation공식이보인다.

자료: 6._Linear_Regression_III_updated · 물리 페이지/슬라이드 20

[[pdf/6._Linear_Regression_III_updated/page-020.jpg|자료 화면 열기]]

## 5-2 창 0009 · 00:09:29–00:09:40 · 자료 근거 정정 있음

VIF1 설명 중 S에 VIF2가 끼어들었다. 화면의 xi 보조회귀 정의로 VIF1의 대상을 확인한다.

![[review/audio/5-2/clips/0009.m4a]]

근거 파일: [[review/audio/5-2/0009.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 우리가 변수를 X1부터 X5까지 다섯 가지 변수가 있다고 얘기했을 때 첫 번째 라운드에서 어떻게 구하냐면 여기가 vif1을 구할 거야. 이 x1에 해당되는 변수를 임시 y로도, y는 이제 떼는 거예요.

2차 전사:  5가지 변수가 있다고 얘기했을 때 첫 번째 라운드에서 어떻게 구할 거냐면 우리가 vif1을 구할 거야. vif2는 어떻게 구하냐면 이 x1에 해당되는 변수

**자료·검토에 따른 정정:** VIF1계산의보조회귀는X1을종속변수,다른변수X2~X5를설명변수로둔다.

근거: xi를종속변수로나머지를독립변수로둔다는설명이보인다.

자료: 6._Linear_Regression_III_updated · 물리 페이지/슬라이드 21

[[pdf/6._Linear_Regression_III_updated/page-021.jpg|자료 화면 열기]]

## 5-2 창 0010 · 00:09:55–00:10:05 · 자료 근거 정정 있음

R² 산출이 S에서 residual로 바뀐다. 화면의 VIF 보조회귀 R²로 대상만 교정한다.

![[review/audio/5-2/clips/0010.m4a]]

근거 파일: [[review/audio/5-2/0010.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 나머지 x2부터 x5까지를 가지고 이 x1을 y 핫이라고 둔 다음에 y 핫이라고 둔 다음에 이걸 예측하도록 만드는 거예요. 자, 그랬을 때 결정 개수 r2 구할 수 있죠?

2차 전사:  이 x1을 y'이라고 둔 다음에 이걸 예측하도록 만드는 거에요 자 그랬을 때 residual 값이, 아 residue

**자료·검토에 따른 정정:** 보조회귀의R_i²를구해VIF_i=1/(1−R_i²)에사용한다.

근거: VIF_i=1/(1−R²)식과보조회귀설명이보인다.

자료: 6._Linear_Regression_III_updated · 물리 페이지/슬라이드 21

[[pdf/6._Linear_Regression_III_updated/page-021.jpg|자료 화면 열기]]

## 5-2 창 0011 · 00:10:19–00:10:39 · 자료 근거 정정 있음

x2를종속변수로 둘때 설명변수 목록에 x2를 다시 넣은 두 전사 표현은 나머지 변수라는 화면 설명과 다르다. 보조회귀의 제외 대상을 명확히 한다.

![[review/audio/5-2/clips/0011.m4a]]

근거 파일: [[review/audio/5-2/0011.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 자, 설명은 내가 나중에 이 수식 기준으로 설명해 줄 테니까 계속 얘기해 줄게요. 라운드 2, 이번에는 변수가 5개니까 두 번째 변수에 대해서 이렇게 이 변수를 y'더블 프라임으로 두고 x1, x2, x3, x4, x5 가지고 이 y를 갖다 설명하도록 이렇게 만들어 버려. 라운드 3에서는 세 번째 변수를 y로 치환한 다음에 나머지 변수로 예측하는 거고요.

2차 전사:  수식 기준으로 설명해 줄 테니까 계속 얘기해 줄게요 round2 이번에는 변수가 5개니까 두 번째 변수에 대해서 이렇게 이 변수를 y, w'로 두고 x1, x2, x3, x4, x5 가지고 이 y를 설명하도록 이렇게 만들어 버려 round3에서는 세 번째 변수를 y로 치워넣는

**자료·검토에 따른 정정:** X2를종속변수로두는보조회귀에서는X2자체를제외한나머지설명변수를쓴다.

근거: xi를종속변수,나머지를독립변수로둔다는문장이보인다.

자료: 6._Linear_Regression_III_updated · 물리 페이지/슬라이드 21

[[pdf/6._Linear_Regression_III_updated/page-021.jpg|자료 화면 열기]]

## 5-2 창 0012 · 00:12:54–00:13:02 · 중요한 의미 차이 미발견

더미변수에 주의한다는 취지와 비교방향이 같다. 임계값은 창내 완결되지 않는다.

![[review/audio/5-2/clips/0012.m4a]]

근거 파일: [[review/audio/5-2/0012.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 이 변수는 빼자라는 의미가 되는 거라고 해석을 하시면 된다는 거예요 주의할 건 뭐냐면 이산형 변수 더미에 대해서는 이게 좀 더 수치보다 좀 더 작아도

2차 전사:  해석을 하시면 된다는 거예요. 이건 좀 주의할 것은 뭐냐면 이산염 변수 더미에 대해서는 이게 좀 더

## 5-2 창 0013 · 00:13:07–00:13:16 · 중요한 의미 차이 미발견

데이터마다 달라 절대기준은 아니라는 부정방향이 같다.

![[review/audio/5-2/clips/0013.m4a]]

근거 파일: [[review/audio/5-2/0013.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 근데 내가 이걸 여러 번 많이 봐도 여러분들도 많이 보겠지만 앞으로 실제 이거 데이터예요. 이게 무조건 절대적인 기준이 되지 않습니다.

2차 전사:  여러번 많이 봐도 여러분들도 많이 보겠지만 앞으로 실제 이거 데이터 바이 데이터 에요 그 이게 이제 무조건 절대적 기준이 되지 않습니다

## 5-2 창 0014 · 00:15:01–00:15:09 · 자료 근거 정정 있음

상태지수의 λ비율 방향/루트를 말로 풀며 모호해졌다. 화면의 sqrt(λmax/λi)식으로 확정한다.

![[review/audio/5-2/clips/0014.m4a]]

근거 파일: [[review/audio/5-2/0014.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 람다 맥스 대비해서 람다아이에 대한 비율 나누기 나누기 아니라 루트를 씌었을 때 이게 한 100 이상, 80 이상, 60 이상

2차 전사:  그래서 람다 i에 대한 비율 나누기가 아니라 루트를 씌웠을 때 이게 한 100 이상, 80 이상, 60...

**자료·검토에 따른 정정:** CI_i=sqrt(λ_max/λ_i)

근거: 큰고유값이분자/λ_i가분모인실제근호식이보인다.

자료: 6._Linear_Regression_III_updated · 물리 페이지/슬라이드 22

[[pdf/6._Linear_Regression_III_updated/page-022.jpg|자료 화면 열기]]

## 5-2 창 0015 · 00:15:37–00:15:50 · 중요한 의미 차이 미발견

PCAplot이라고 하다가 PCAregression으로 고치는 자기수정이 유지된다.

![[review/audio/5-2/clips/0015.m4a]]

근거 파일: [[review/audio/5-2/0015.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): Z에 대한 변수 10차원 정도로 축약해가지고 우리가 이제 그런 것들을 갖다가 PCA 플랫 이렇게 얘기하든요 PCA 플랫이 아니라 PCA 리그레이션 또는 PCA 리그레이션 이렇게 얘기를 합니다. PCA를 여러분들 언제 배우지? 언제 배우지?

2차 전사:  에 대한 변수 10차원 정도로 축약해 가지고 우리가 이제 그런 것들을 갖다가 pca 플랏 이렇게 얘기하는 pca 플랏이 아니라 pca regression 또는 pca regression 이렇게 얘기를 합니다 pca를 여러분들 이 언제

## 5-2 창 0016 · 00:15:54–00:16:04 · 중요한 의미 차이 미발견

전화와 고유값 설명 재시작이며 새로운 수치·방향차이는 없다.

![[review/audio/5-2/clips/0016.m4a]]

근거 파일: [[review/audio/5-2/0016.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 촬영하고 있는데 자꾸 전화가 오네요. 자, 보통간에 자, 우리가 이제 고유값을 기준을 내서 고유값을 기준을 내서 이게 어떤 특정 고유값이

2차 전사:  촬영하고 있는데 자꾸 전화가 오네요. 자, 보튼 간에 자, 우리가 이제 고유값을 기준으로 해서 고유값을 기준으로 해서

## 5-2 창 0017 · 00:18:02–00:18:20 · 학습 보류

벌점항을 더하면 자동으로변수제거/2번이항상좋다는 공통 일반화는 해당화면만으로 검증되지 않는다. Lasso/Ridge 차이와 항상 우열을 발언복원으로 단정하지 않는다.

![[review/audio/5-2/clips/0017.m4a]]

근거 파일: [[review/audio/5-2/0017.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 베타가 너무 커지지 않도록 만들어주는 패널라이즈 term이 더 에딩이 되는 거야. 이게 우리의 목적식이 되는 거예요. 자 기존에는 우리가 요거까지만 받는 요것만 목적식으로 했는데 그게 아니라 이런 패널라이즈 턴이 이 코스트 펑션이 더 부여가 되면서 모델에서 알아서 중요하지 않은 변수를 제거해 버린다는 얘기죠. 1번이 좋아요 2번이 좋아요. 여러분 2번이 더 좋은 거예요. 가능하면 2번처럼 모델을 학습하도록 만들어줘야 되는 거죠.

2차 전사:  더 adding이 되는 거야 이게 우리의 목적식이 되는 거예요 자 기존에는 우리가 이것까지만 봤는데 이것만 목적식으로 했는데 그게 아니라 이런 panelize term이 이 cost function이 더 부여가 되면서 모델에서 알아서 중요하지 않은 변수를 제거해 버린다는 얘기죠 1번이 좋아요 2번이 좋아요 여러분 2번이 더 좋은 거예요

## 5-2 창 0018 · 00:18:48–00:18:58 · 중요한 의미 차이 미발견

X1~X100을 분산유지하며 축약한다는 취지는 같고 8개파생변수는 창말미라 S의 완결이 약하다. 새로운 차원 수를 창밖에서 보충하지 않는다.

![[review/audio/5-2/clips/0018.m4a]]

근거 파일: [[review/audio/5-2/0018.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 여러분들한테 똑같다고 얘기해버려야겠다. 여러분들 X 변수들이 있어. X1부터 X100까지가 있어. 그래서 얘네들에 대한 분산을 최대한 유지하면서 Z1부터 Z8까지에 대한 8가지에 대한 임의의 파생 변수를 만들었어요.

2차 전사:  여러분들한테 똑같다고 얘기해 버려야겠다. 자, 여러분들 x 변수들이 있어요. x1부터 x100까지가 있어. 그래서 얘네들에 대한 분산을 최대한 유지하는 것입니다.

## 5-2 창 0019 · 00:19:21–00:19:28 · 자료 근거 정정 있음

PCARegression이 Regulation으로 바뀌어 화면의 회귀모형 구축 명칭으로 정규화한다.

![[review/audio/5-2/clips/0019.m4a]]

근거 파일: [[review/audio/5-2/0019.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 그래서 얘를 기준으로 해서 이 100개의 변수 다 쓰지 말고요 우리는 변수 8개만 쓸 거예요 라고 얘기하고 이거를 PCA Regression을 하다 보면

2차 전사:  그래서 이 100개의 변수 다 쓰지 말고요. 우리는 변수 8개만 쓸 거예요. 라고 얘기하고 이거를 PCA Regulation을 하고

**자료·검토에 따른 정정:** PCA회귀모형구축(주성분을사용한회귀)

근거: 주성분분석(PCA)회귀모형구축문구가보인다.

자료: 6._Linear_Regression_III_updated · 물리 페이지/슬라이드 24

[[pdf/6._Linear_Regression_III_updated/page-024.jpg|자료 화면 열기]]

## 5-2 창 0020 · 00:19:33–00:19:42 · 중요한 의미 차이 미발견

다중공선성을 피할수있다는 취지는 같고 새 부정차이는 없다.

![[review/audio/5-2/clips/0020.m4a]]

근거 파일: [[review/audio/5-2/0020.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 다중공선성 문제도 피해갈 수 있다는 얘기입니다 여기서 한 가지 더 추가를 얘기한다면 다중공선성 문제가 이게 지난 시간에 뭐를 얘기했냐면

2차 전사:  문제도 피해갈 수 있다는 얘기입니다 자 여기서 좀 한 가지 더 추가를 얘기한다면 다중구선성 문제가

## 5-2 창 0021 · 00:20:56–00:21:04 · 자료 근거 정정 있음

가정위반시 모형고급화가 S에서 모형구축으로 바뀌어 화면 점검사항을 기준으로 복원한다.

![[review/audio/5-2/clips/0021.m4a]]

근거 파일: [[review/audio/5-2/0021.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 선형 회기 모델을 구축할 때 마지막 점검사항을 얘기를 해보고 다음으로 넘어갑시다. 선형 회기 모델에 대한 가정사항은 위반시 모형을 고급화한다.

2차 전사:  자, 선형 회기 모델을 구축할 때 마지막 점검사항을 좀 얘기를 해보고 다음으로 넘어갑시다. 선형 회기 모델에 대한 가정사항은 위반시 모형을 구축할 때,

**자료·검토에 따른 정정:** 선형회귀모델가정위반시모형고급화

근거: 점검사항의첫번째하위문구에실제표시된다.

자료: 6._Linear_Regression_III_updated · 물리 페이지/슬라이드 25

[[pdf/6._Linear_Regression_III_updated/page-025.jpg|자료 화면 열기]]

## 5-2 창 0022 · 00:21:14–00:21:22 · 중요한 의미 차이 미발견

촬영방해 안내가 같고 앞 비선형회귀 전환은 창시작에 걸친다. 새 비교·수식차이는 없다.

![[review/audio/5-2/clips/0022.m4a]]

근거 파일: [[review/audio/5-2/0022.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 비선형 회기 모델을 쓰면 된다는 얘기. 오는데 끼어드는 사람들도 많고 페이도 중간에 많고 전화도 오고 그래서 다시 한번 집중해서 얘기합시다.

2차 전사:  자 오늘 영상을 촬영하는데 끼어드는 사람들도 많고 회의도 중간에 많고 전화도 오고 그래서

## 5-2 창 0023 · 00:22:05–00:22:15 · 학습 보류

해석적인이 철학적인으로 달라진다. 제공자료에 해당 선택이유 문장이 없어 실제 단어를 단정할 수 없다.

![[review/audio/5-2/clips/0023.m4a]]

근거 파일: [[review/audio/5-2/0023.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 그럼에도 불구하고 어떤 모델에 대한 해석적인 측면의 어떤 이점이랄지, 아니면 이제 우리 데이터 분석을 의뢰한 학습 모델을 의뢰했던 사람이 우리는 선형 회기였으면 좋겠습니다. 왜냐하면 이거를 나중에 여러분들이 선형 회기를 만든 걸 기준을 내서

2차 전사:  철학적인 측면의 이점이랄지 아니면 우리 데이터 분석을 의뢰한 학습모델을 의뢰했던 사람이 우리는 선형 회계였으면 좋겠습니다

## 5-2 창 0024 · 00:22:35–00:22:59 · 중요한 의미 차이 미발견

Box-Cox/log/square-root/power 변환 열거는 같고 잘림외 새 변환방향차이는 없다.

![[review/audio/5-2/clips/0024.m4a]]

근거 파일: [[review/audio/5-2/0024.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 그러면 최대한 가정사항에 위배되지 않는 선형 회기 모델을 만들려고 노력을 해야겠죠. 그리고 xy 변수에 대한 변환 처리, 이런 것들에 대해서 어느 정도는 알 거예요. 그렇기 때문에 xy 변수를 갖다가 transformation을 어떻게 해야 될 거냐. 어떤 skewed 되어 있는 데이터, 박스콕스, 박스콕스의 하나의 로그 트랜스포메이션도 가능할 거고요. square root 또는 power 이런 것들에 대해서는 여러분들의 트랜스포메이션을 해가지고

2차 전사:  그 다음에 이 x, y 변수에 대한 변환 처리, 여러분들이 이미 이런 것들에 대해서 어느 정도는 알 거예요. 배웠고, 그렇기 때문에 x, y 변수를 transformation을 어떻게 해야 될 거냐? 어떤 skewed되어 있는 데이터, 이런 것들, 박스콕스, 박스콕스의 하나의 박스 하나로 로그 transformation도 가능할 거고요. square root 또는 power 이런 것들에 대해서

## 5-2 창 0025 · 00:23:12–00:23:33 · 중요한 의미 차이 미발견

p개변수,.6이하에서.8목표라는 예제숫자는 같다. 이를 보편적인 합격기준으로 해석하지 않는다.

![[review/audio/5-2/clips/0025.m4a]]

근거 파일: [[review/audio/5-2/0025.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 피계의 변수를 가지고 야 이 컴퓨터도 힘들어한다 나도 힘든데 자 x 변수를 가지고 y를 갖다 예측하려고 한다 근데 우리가 이제 rsq로 뽑아봤더니 아무리 아무리 잘하려고 해도 아무리 잘하려고 해도 0.6 이하 밖에 안 되는 거야 이거를 이제 더 이상 높여서 0.8 정도 되는 모드를 만들고 싶은데

2차 전사:  p개의 변수를 가지고 이 컴퓨터도 힘들어한다. 나도 힘든데 x 변수를 가지고 y를 예측하려고 한다. 그런데 우리가 r 스퀘어를 뽑아왔더니 아무리 잘하려고 해도 0.6 이하밖에 안 되는 거야. 이거를 이제 더 이상 높여서 0.8 정도

## 5-2 창 0026 · 00:24:20–00:24:54 · 중요한 의미 차이 미발견

독립변수들비독립→분산팽창이라는 공통설명이며 새로운 ASR 의미차이는 없다. REG-01/09의 조건주의가 그대로 적용된다.

![[review/audio/5-2/clips/0026.m4a]]

근거 파일: [[review/audio/5-2/0026.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 결국 우리가 학습모델을 만드는 것은 정확도를 높이기 위해서 만드는 건데 정확도가 높이기 위해서는 기존 변수로 살 수 없는 부분들은 x 변수를 추가하자. 이걸 하는 게 우리가 이제 성형회의 모델을 만드는데도 되게 중요한 어떤 인터넷티브하는 상황에서도 좋은 액티비티가 될 수가 있겠습니다. 자 다중공성성 확인하자는 얘기에 이제 기존에 계속 얘기했었던 거죠. 다중공성성이란 건 결국은 독립변술관의 독립적이 아닌 관계성이 발생했을 때 해당되는 베타에 대한 오차가 아니라 분산이 팽창하는 문제가 있어서 이 모델에 대해서 우리가 신뢰성이 떨어지니까 아무래도 정확도 떨어지고

2차 전사:  기존 변수로서 할 수 없는 부분들은 x 변수를 추가하자. 이거를 하는 게 우리가 이제 성형 회계 모델을 만드는 데도 되게 중요한 어떤 인터레티브하는 상황에서도 좋은 액티비티가 될 수가 있겠습니다. 다중공선성 확인하자는 얘기, 기존에 계속 얘기했었던 거죠. 다중공선성이란 건 결국은 변수 간에, 독립 변수 간에 독립적이 않은 관계성이 발생했을 때 해당되는 베타에 대한 오차가 아니라 분산이 팽창하는 문제가 있어서 이 모델에 대해서 우리가 신뢰성이 떨어지고

## 5-2 창 0027 · 00:25:15–00:25:31 · 중요한 의미 차이 미발견

Q2=median 관계와숫자는 같고 이상치/박스플롯 발음만 개선된다.

![[review/audio/5-2/clips/0027.m4a]]

근거 파일: [[review/audio/5-2/0027.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 이거는 내가 자세히 얘기는 안 하지만 좀 간단하게 얘기하면 이 상체라는 건 뭐냐면 결국은 우리가 박스 플러스를 그렸을 때 이게 Q2 값이죠. 그러니까 박스 플러스 이렇게 그린다고 얘기를 하면 Q2 값은 동일하게 메디안 값인 거예요.

2차 전사:  저는 자세히 얘기 안 하지만 간단하게 얘기하면 이상치라는 것은 뭐냐면, 우리가 박스 플러스를 그렸을 때 이것이 Q2 값이죠. 박스 플러스를 이렇게 그린다고 얘기하면 Q2 값은 동일하게 메디안 값인 거예요.

## 5-2 창 0028 · 00:25:45–00:25:55 · 중요한 의미 차이 미발견

중간순위값median과Q1=25%로 가는 취지가같다. 표본짝수일때 정의등의 정확성은 합의로 보장하지 않는다.

![[review/audio/5-2/clips/0028.m4a]]

근거 파일: [[review/audio/5-2/0028.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 딱 50번째 해당되는 애가 중간 측이. 그렇죠? 그게 median이겠죠. 랭크 베이스드 되어 있는 중간 값이다. 이렇게 생각하면 되겠죠. 자 그래서 이걸 기점을 해서 Q1은 25%

2차 전사:  해당되는 애가 중간 측이겠죠. 그게 median이겠죠. rank-based 중간 값이다. 이렇게 생각하면 되겠죠. 그래서 이것을 기점으로 해서

## 5-2 창 0029 · 00:25:59–00:26:09 · 중요한 의미 차이 미발견

Q3=75%는같다.variance/balance오인식은 공통이며 이창에서새수식결론은없다.

![[review/audio/5-2/clips/0029.m4a]]

근거 파일: [[review/audio/5-2/0029.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): Q3은 75% 자 그리고 나서 이 해당되는 테일을 쭉 이어서 붙이는 거죠. 이 해당되는 게 우리가 배런스를 측정하게 되는 거고요.

2차 전사:  Q3는 75% 그리고 나서 이 해당되는 T를 쭉 이어서 붙이는 거죠 이 해당되는 게 우리가 밸런스를 측정하게 되는 거고요

## 5-2 창 0030 · 00:26:44–00:26:51 · 중요한 의미 차이 미발견

IQR배수1.5또는1.7,1.5일반적이라는 수치와 비교는같다. 해당예시의권고정확성을원음없이확정하지않는다.

![[review/audio/5-2/clips/0030.m4a]]

근거 파일: [[review/audio/5-2/0030.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): IQR 값에 곱하기 1.5 또는 1.7 할 수도 있어요. 그때그때 만나서 좀 달라요. 1.5가 일반적입니다. 그래서 1.5를 한다는 얘기는 뭐냐면

2차 전사:  1.5 또는 1.7 할 수도 있어요. 그때그때마다 좀 달라요. 1.5가 일반적입니다. 그래서 1.5를 한다는

## 5-2 창 0031 · 00:27:41–00:28:03 · 중요한 의미 차이 미발견

이상치를무조건제거하면좋지않고상황에따른다는부정/조건이양쪽유지된다.

![[review/audio/5-2/clips/0031.m4a]]

근거 파일: [[review/audio/5-2/0031.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 정말 큰 의미를 줄 수 있는 소중한 관측지일 수 있는데 무조건 제거하면 그거는 좋은 방법은 아닐 겁니다. 자 그래서 이건 교수님이 그러면 어떻게 하라는 거예요? 이렇게 얘기하면 그때그때 달라요. 이 상치를 무조건 제거하는 방법은 좋은 방법은 아니지만 우선은 시도해 볼 만한 방법이에요. 원래 통계적인 입법에 의해서 성형회기를 다루던 사람들은 주로 그렇게 했던 거고요. 하지만 우리는 뭘 잘해야 되죠?

2차 전사:  그거는 좋은 방법은 아닐 겁니다 그래서 이건 교수님이 어떻게 하라는 거예요? 이렇게 얘기하면 그때그때 달라요 이상치를 무조건 제거하는 방법은 좋은 방법은 아니지만 우선은 시도해 볼 만한 방법이에요 원래 통계적인 입법에 의해서 성형외기를 다루던 사람들은 주로 그렇게 했던 거고요 하지만 우리는 뭘 잘해야 될지

## 5-2 창 0032 · 00:28:23–00:29:07 · 자료 근거 정정 있음

MT-CARS는개선되지만자동차행이RX500등으로새로왜곡됐다.화면데이터셋표의이름으로정규화한다.

![[review/audio/5-2/clips/0032.m4a]]

근거 파일: [[review/audio/5-2/0032.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 마지막 단계는 Example 우리가 이제 선용회계 모델을 가지고 어떻게 이제 구축하고 시습에서는 어떻게 하는지를 간단한 MT-CAUSE라는 데이터를 이용해서 설명하고 넘어가겠습니다. 자, 이 데이터셋은 R이나 Python에서 주로 쓰이는 거고요. 마찌다, RX4, RX1, 마스웨건, 다슨, 메르세데스, 벤츠, 30 시리즈, 20 시리즈, 4 시리즈 이렇게 있네요. Fiat, 도요타, 코롤라, 포드, 볼보 이런 것들이 있네요. 자 이런 것들이 있었을 때 자 그래서 각각의 관측치는 자동차가 되구요 그 자동차의 어떤 특징을 기반으로 해서 마일퍼 갤런 이라는 것을 마일퍼 갤런이 연비입니다 연비 갤런 만큼의

2차 전사:  우리가 선형 회계 모델을 가지고 어떻게 구축하고 실습에서는 어떻게 하는지를 간단한 MT-CARS라는 데이터를 이용해서 설명하고 넘어가겠습니다 이 데이터셋은 R이나 파이썬에서 주로 쓰이는 거고요 Mazda RX4, Mazda RX500, Mazda 5, Mercedes Benz 30, Mercedes-Benz 20, Mercedes-Benz 4 4 시리즈가 있네요. 피아트, 도요타, 콜로라, 포드, 볼보 이런 것들이 있네요. 이런 것들이 있었을 때 그래서 각각의 관측치는 자동차가 되고요. 그 자동차의 어떤 특징을 기반으로

**자료·검토에 따른 정정:** 데이터셋mtcars;보이는첫행은MazdaRX4,다음행은MazdaRX4Wag이다.

근거: 왼쪽데이터표첫행두행과입력데이터명mtcars를읽었다.

자료: 6._Linear_Regression_III_updated · 물리 페이지/슬라이드 27

[[pdf/6._Linear_Regression_III_updated/page-027.jpg|자료 화면 열기]]

## 5-2 창 0033 · 00:29:51–00:30:05 · 자료 근거 정정 있음

연비단위가MG/mg,기름1G/g로오인식된다.화면Miles/(US)gallon단위로교정한다.

![[review/audio/5-2/clips/0033.m4a]]

근거 파일: [[review/audio/5-2/0033.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 이건 Continuous variable이니까 PDF 형식으로 나올 거고요. 자 보였을 때 이런 중심축, 연비가 기본적으로 18MG라고 나온다고 합니다. 1G의 기름을 넣었을 때 18MG 정도 간다는 얘기죠.

2차 전사:  이렇게 PDF 형식으로 나올 거고요. 보였을 때 이런 중심축, 연비가 기본적으로 18mg이라고 나온다고 합니다. 1g의 기름을 넣었을 때 18mg 정도.

**자료·검토에 따른 정정:** MPG는milesperUSgallon이다.예제18mpg라면1USgallon당18mile의거리다.

근거: 오른쪽mpg단위Miles/(US)gallon이보인다.숫자18의정확한발언여부를확정하지않고공통ASR비유의단위만정규화한다.

자료: 6._Linear_Regression_III_updated · 물리 페이지/슬라이드 27

[[pdf/6._Linear_Regression_III_updated/page-027.jpg|자료 화면 열기]]

## 5-2 창 0034 · 00:30:13–00:30:29 · 중요한 의미 차이 미발견

연비18/33및실린더4/6/8이라는대비는공통.마지막8은창끝에서잘려새수치변경으로보지않는다.

![[review/audio/5-2/clips/0034.m4a]]

근거 파일: [[review/audio/5-2/0034.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 누구는 18MG 정도 밖에 못 가는데 누구는 33MG가? 이거 불공평하죠. 아마도 이게 과거 데이터니까 아마도 일본차가 이렇게 좀 좋지 않았을까 싶어요. 연비가. 자, 하지만 요즘은 우리나라 차도 좋습니다. 실린더 같은 경우에는 4기통이냐, 6기통이냐, 8기통이냐

2차 전사:  누구는 18 정도 밖에 못 가는데 누구는 33가 이거 불공평하죠? 아마도 이게 과거대타니까 일본차가 이렇게 좀 좋지 않았을까 싶어요 연비가 하지만 요즘은 우리나라 차 좋습니다 실린더 같은 경우에는 4기통이냐 6기통이냐

## 5-2 창 0035 · 00:30:41–00:30:54 · 중요한 의미 차이 미발견

4기통보다8기통이좋다는가치판단·연속변수변환주장은양쪽같다.원자료의명목/서열가정자체를ASR합의로정당화하지않는다.

![[review/audio/5-2/clips/0035.m4a]]

근거 파일: [[review/audio/5-2/0035.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 오디널이 데이터인 거예요. 그러니까 순서에 대한 의미가 있는 거예요. 4기통보다 8기통이 좋은 거니까 그렇죠. 이것에 대해서 변환 처리할 때 내가 이젠 얘기했던 대로 그것들을 좀 감안해서 변환 처리 Continuous Variable로 변환 처리할 필요가 있을 테고요.

2차 전사:  순서에 대한 의미가 있는 거예요 4기통 보다 8기통이 좋은 거니까 그렇죠 이것에 대해서 변환 처리할 때 내가 예전에 얘기했던 대로 이것들을 감안해서 Continuous Variable로 변환 처리할 때

## 5-2 창 0036 · 00:31:06–00:31:24 · 중요한 의미 차이 미발견

왼쪽꼬리/disp이봉/hp로넘어가는설명은공통이다.그래프선택이모호해어느변수꼬리인지추측교정하지않는다.

![[review/audio/5-2/clips/0036.m4a]]

근거 파일: [[review/audio/5-2/0036.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 여튼간에 이렇게 변수가 있지만 롱테일이 왼쪽으로 좀 길어지는 그런 특징이 좀 있고 저 또 뭐가 있냐. 또 중심을 볼 게 뭐가 있을까요. 디스펜서 기준으로 봤을 때는 이렇게 바이모덜하다 두 개의 모델리티가 두 개 있는 또 이제 홀스파워 기준으로 봤을 때는

2차 전사:  왼쪽으로 길어지는 그런 특징이 좀 있고 또 뭐가 있냐, 중심이 뭐가 있을까요 디스펜서 기준으로 봤을 때는 바이모델하다, 두 개의 모델리티가 두 개 있는 홀스파워 기준으로 봤을 때는

## 5-2 창 0037 · 00:31:32–00:31:40 · 중요한 의미 차이 미발견

큰미국차hp/차량중량wt라는대상은같고새수치·방향차이는없다.

![[review/audio/5-2/clips/0037.m4a]]

근거 파일: [[review/audio/5-2/0037.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 전통적인 미국 차들 큰 차가 아마 홀스파워가 쎌 겁니다 자 그 외에도 뭐 드레트 웨이트 웨이트 같은 경우에는 차의 중량인데

2차 전사:  미국차도 큰 차가 아마 홀수파워가 셀 겁니다 그 외에도 뭐 드레트, 웨이트, 웨이트 같은 경우에는 차의

## 5-2 창 0038 · 00:32:15–00:32:37 · 중요한 의미 차이 미발견

weight,hp,disp의공선성예시와그림만으로확정하기어렵다는취지가같다.

![[review/audio/5-2/clips/0038.m4a]]

근거 파일: [[review/audio/5-2/0038.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 다정공수성 문제에 의해서 우리가 좋은 학습모델을 만들 수 없게 되니까 변수를 일부러 빼게 하는 거예요 예를 들어서 자, weight에 대한 부분을 볼게요. weight에 대한 부분들을 좀 보면은 어... 이거는 이거는 딱 봤을 때 weight와 horse power와 dispenser는 이거는 실제인데 이것만 보고는 알 수가 없어요

2차 전사:  문제에 의해서 우리가 좋은 학습 모델을 만들 수 없게 되니까 변수를 일부러 빼게 하는 거예요 예를 들어서 weight에 대한 부분을 볼게요 weight에 대한 부분들을 좀 보면 이거는 이거는 딱 봤을 때 weight와 horse power와 dispenser는 이거는 실제인데 이것만 보고는 알 수가 없어요

## 5-2 창 0039 · 00:33:11–00:33:33 · 중요한 의미 차이 미발견

weight증가→연비감소라는음의상관방향과.7수치는유지된다.일반임계값으로확장하지않는다.

![[review/audio/5-2/clips/0039.m4a]]

근거 파일: [[review/audio/5-2/0039.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 그래서 예를 들어서 WT에 대한 부분과 HP 그리고 디스펜서와 관련된 부분들이 이게 0.7 이상이랄지 이걸 직접 어떤 산점들을 그려본다든지 그렇게 직접적으로 보는 게 좀 더 빠를 것 같습니다. 하지만 이걸 통해서 우리가 봤을 때는 아 이 웨이트가 생각보다 웨이트가 높을수록 어때? 연비가 나빠지는 경향성이 있고 이런 음의 서행적인 상관성이 크구나 라는 것들을 이해할 수가 있고요.

2차 전사:  관련된 부분들이 이게 0.7 이상이랄지 이걸 직접 산점대로 그려본다든지 그렇게 직접적으로 보는 게 좀 더 빠를 것 같습니다 하지만 이걸 통해서 우리가 봤을 때는 웨이트가 생각보다 웨이트가 높을수록 연비가 나빠지는 경향성이 있고 이런 선행적인 상가성에 음의 선행적인 상가성이

## 5-2 창 0040 · 00:34:35–00:34:56 · 자료 근거 정정 있음

library cars/mtcars를두전사가동일하게혼동한다.화면의패키지car와데이터mtcars코드를따라표기한다.

![[review/audio/5-2/clips/0040.m4a]]

근거 파일: [[review/audio/5-2/0040.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): vif가 8에서 10 이상 되면 문제가 있다 이렇게 얘기했죠. 빼면 되는 거야. 자 그래서 우리가 이렇게 library-cars, 이게 cars 해도 되나 보다. mt-cars, 아무튼 데이터셋은 원래부터 mt-car에요. 자 그래서 이제 두 번째 해당되는 코드가 선용회계 모델을 만드는 거고요. mt-cars 이렇게 불렀죠. 그 다음에 vif 점수를 갖다가 이 모델을 갖다 놓고 vif를 이렇게 치면은

2차 전사:  해당되면 문제가 있다 이렇게 얘기했죠. 빼면 되는 거야. 그래서 우리가 이렇게 library cars, 이게 cars 해도 되나 보다. mt cars, 아무튼 데이터셋은 원래부터 mt cars예요. 그래서 이제 두 번째 해당되는 코드가 선형 회계 모델을 만드는 거고요. mt cars 이렇게 불렀죠. 그 다음에 vif 점수를

**자료·검토에 따른 정정:** 패키지car의vif함수와데이터mtcars를구별한다.

근거: 코드에library(car),fit_1st<-lm(mpg~.,mtcars),vif(fit_1st)가보인다.

자료: 6._Linear_Regression_III_updated · 물리 페이지/슬라이드 30

[[pdf/6._Linear_Regression_III_updated/page-030.jpg|자료 화면 열기]]

## 5-2 창 0041 · 00:35:56–00:36:21 · 자료 근거 정정 있음

객체multi_model과다변수뜻은S가개선하지만잔차median숫자가생략됐다.화면R출력에서확인가능한값만보충한다.

![[review/audio/5-2/clips/0041.m4a]]

근거 파일: [[review/audio/5-2/0041.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 그렇게 해서 마이퍼 갤런을 일측하는 리니어 모델을 만들어라. 그거에 대한 개체 이름은 Multi-Model 이렇게 얘기했어요. Multi-Berry Model 이라고 얘기해요. Multi-Berry는 다변수로 이용한 모델이다. 이거에 대해서 summary를 하면 어떻게 되냐면 이 변수에 대한 median은 minus 0.1196 이고요. 여기 Quantile, Mastro-Quantile 나오고 MinMax 값에 대해서 이렇게도 나옵니다. CoefficientDate 각각의 intercept가 뭐죠? intercept는 beta0. 그렇죠?

2차 전사:  일측하는 리뉴어모델을 만들어라. 그것에 대한 객체의 이름은 Multi-model 이렇게 얘기했어요. Multi-variable model 이라는 얘기예요. Multi-variable, 다변수로 이용한 모델이다. 이것에 대해서 서머리를 만들면, 서머리를 하면 어떻게 되냐면 이 변수에 대한 메디아는 이고요. 여기 Quantile, Structural Quantile 나오고 Min, Max 값에 대해서 이렇게도 나옵니다. 코피션데이터 각각의 인터셉트가 뭐죠?

**자료·검토에 따른 정정:** 이첫다변수모형의잔차Median은−.1196이다.

근거: 첫모형R출력Residuals요약에−.1196이표시된다.

자료: 6._Linear_Regression_III_updated · 물리 페이지/슬라이드 31

[[pdf/6._Linear_Regression_III_updated/page-031.jpg|자료 화면 열기]]

## 5-2 창 0042 · 00:36:28–00:36:46 · 중요한 의미 차이 미발견

KeyValue/표준편차라는용어는양쪽에흐트러져있지만β0,β1,β2와변수중요도확인이라는취지는같다.

![[review/audio/5-2/clips/0042.m4a]]

근거 파일: [[review/audio/5-2/0042.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 이렇게 하면 안되는구나. 키워져라. 이게 베타제로다. 자 이게 하나씩. 우리가 베타1, 베타2 이렇게 생각하면 되는 거예요. 자 그렇게 해서 각각을 봤는데 나머지에 대한 부분들은 고민하지 마시고요. 키 밸류 값 보고 스탠드 데뷔이션 여러분들은 이제 해석은 하되 이 부분을 지금 볼 필요 없고 결국은 우리는 중요한 변수 또는 중복되는 변수가 무엇인지 좀 이해를 해보고 싶은 거예요.

2차 전사:  이게 베타0다. 하나씩 우리가 베타1, 베타2 이렇게 생각하면 되는 거예요. 그렇게 해서 각각을 봤는데 나머지에 대한 부분들은 고민하지 마시고요. Key Value 값 보고 여러분들은 해석은 하되 이 부분을 지금 볼 필요는 없고 결국은 우리는

## 5-2 창 0043 · 00:37:08–00:37:16 · 중요한 의미 차이 미발견

p값높으면변수제거라는취지는같다.무조건/유의수준후속절은창밖으로완결돼S의조건삭제를음성차이로확정하지않는다.

![[review/audio/5-2/clips/0043.m4a]]

근거 파일: [[review/audio/5-2/0043.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 이 변수를 넣나 안 넣나 똑같다 이 얘기야. 그러면 넣어야 돼요 안 넣어야 돼요? 빼야겠죠. 이 P-value 값이 높은 건 빼야 되는 거야. 무조건 높으면 빼는 게 아니라 유의 수준을 우리가 만약에 0.05라고 잡는다면

2차 전사:  이 변수를 넣나 안 넣나 똑같다 이 얘기야 그러면 넣어야 돼요 안 넣어야 돼요 빼야겠죠 이 p-value 값이 높은 건 빼야 되는 거야

## 5-2 창 0044 · 00:38:20–00:38:27 · 중요한 의미 차이 미발견

귀무가설기각불가와vs제거의방향은같다.영가설/연구서는발음오인식이다.

![[review/audio/5-2/clips/0044.m4a]]

근거 파일: [[review/audio/5-2/0044.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 그래서 이 변수가 의미 없다고 얘기하는 연가설을 기각할 수 없으니까 빼야죠. 그렇죠? 똑같은 방식으로 VS도 빼고요.

2차 전사:  이 변수가 의미 없다고 얘기하는 연구서를 기각할 수 없으니까 빼야죠 똑같은 방식으로 vs도 빼고요

## 5-2 창 0045 · 00:38:39–00:39:12 · 자료 근거 정정 있음

drat제거→hp제거→wt,qsec,am세변수및6.95e−06표기가훼손됐다.화면의최종모델과p값으로정규화한다.

![[review/audio/5-2/clips/0045.m4a]]

근거 파일: [[review/audio/5-2/0045.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 그래서 하나씩 하나씩 빼보고요. 우선은 또 이렇게 빼본 거에서 또 듀레트가 또 있었네? 를 또 안가는데 앞에서 얘기했었던 요 변수들 중에서 일부를 뺀 다음에 또 드레트를 또 또 빼는 거야 왜 p 밸류가 크니까 뺐어 그 다음에 hp 드레트를 뺀 다음에 hp 가 또 커 hp 도 빼 그럼 어떻게 된다 w t q 3 m am 요 변수 3가지만 남은 거야 그리고 p 밸류 보는 거야 p 밸류가 어때 p 밸류는 어 이게 6.95 입실론의 0.66이라는 의미는 뭐냐면

2차 전사:  1시간씩 빼보고요. 우선은 또 이렇게 빼본 거에서 또 DREAD가 또 있었네. DREAD를 또 그러니까 앞에서 얘기했었던 이 변수들 중에서 일부를 뺀 다음에 또 DREAD를 또 빼는 거야. 왜? p-value가 크니까. 뺐어. 그 다음에 HP, DREAD를 뺀 다음에 HP가 또 커. HP도 빼. 그럼 어떻게 된다? WT, QSEC, AM. 이 변수 세 가지만 남은 거야. 그리고 p-value를 보는 거야. p-value가 어때? 이게 6.95 입실륜이 0.

**자료·검토에 따른 정정:** 최종모형은mpg~wt+qsec+am이며wt의p=6.95e−06이다.

근거: 최종R출력모형식과wt행p값이보인다.

자료: 6._Linear_Regression_III_updated · 물리 페이지/슬라이드 34

[[pdf/6._Linear_Regression_III_updated/page-034.jpg|자료 화면 열기]]

## 5-2 창 0046 · 00:39:17–00:39:42 · 자료 근거 정정 있음

6.95뒤0개수를세는두표현은같이불안정하다.표의과학적표기6.95e−06을사용한다.

![[review/audio/5-2/clips/0046.m4a]]

근거 파일: [[review/audio/5-2/0046.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 그 다음에 6.95가 지킨다는 얘기예요. 엄청 엄청 0.00000 거의 0에 가깝다. 이런 의미니까 이거는 거의 이런 식으로 나오면 이건 전부 다 이게 P-value 값이 정말 작기 때문에 0가서를 기각해야겠다는 얘기가 되는 거고 그럼 대립가서를 채택해야 되는데 각각의 변수에 대한 pvalue 값의 의미였기 때문에

2차 전사:  그 다음에 6, 9, 5가 지킨다는 얘기예요. 엄청 엄청 0, 0, 0, 0, 0, 0 거의 0에 가깝다. 이런 의미니까 이거는 거의 이런 식으로 나오면은 이건 전부 다, 전부 다 이게 p-value 값이 정말 작기 때문에 0 가설을 기각해야겠다는 얘기가 되는 거고 그럼 대립 가설을 채택해야 되는데 각각의 변수에 대한 p-value 값의 의미였기 때문에

**자료·검토에 따른 정정:** wt기울기p-value=6.95×10^−6

근거: 최종계수표wt행Pr(>|t|)를확인했다.

자료: 6._Linear_Regression_III_updated · 물리 페이지/슬라이드 34

[[pdf/6._Linear_Regression_III_updated/page-034.jpg|자료 화면 열기]]

## 5-2 창 0047 · 00:39:48–00:39:57 · 자료 근거 정정 있음

남기는세변수이름wt,qsec,am이훼손되어화면모델식으로확정한다.

![[review/audio/5-2/clips/0047.m4a]]

근거 파일: [[review/audio/5-2/0047.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 예측을 더 잘하게 된다. 이렇게 일을 할 수 있다는 얘기죠. WTQ-Sick A함은 그래서 남겨주는 겁니다. 그래서 이렇게 변수에 대한 pvalue 값을 기준으로

2차 전사:  계측을 더 잘하게 된다 이렇게 이해를 할 수 있다는 얘기죠 wtqsec a항은 남겨주는 겁니다 그래서 이렇게 변수에 대한 p-value 값을 기준으로

**자료·검토에 따른 정정:** 남은설명변수는wt,qsec,am이다.

근거: 최종모형코드와세계수행이보인다.

자료: 6._Linear_Regression_III_updated · 물리 페이지/슬라이드 34

[[pdf/6._Linear_Regression_III_updated/page-034.jpg|자료 화면 열기]]

## 5-2 창 0048 · 00:41:49–00:42:02 · 자료 근거 정정 있음

별3개와p가0에가깝다는설명을스스로고치는흐름이같다.화면의정확한p값만기록한다.

![[review/audio/5-2/clips/0048.m4a]]

근거 파일: [[review/audio/5-2/0048.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 얘를 모델 기반을 했을 때 그리고 P-value 값을 했을 때 정말 0에 가까운 숫자값이 나왔어요. 다시 한번 에스터레스케어가 3개 있는데 이 얘기는 P-value 값이 significant code가 거의 0에 가까울 정도로 0에 가까운게 아니구나 이렇게 보면은

2차 전사:  정말 0에 가까운 어떤 숫자 값이 나와서 다시 애스터리스 케어 3개 있는데 이 얘기는 p-value 값이 Significant Code가 거의 0에 가까울 정도로 아니지 0에 가까운 게 아니구나

**자료·검토에 따른 정정:** 제시된중첩모형검정p=1.55e−09이다.

근거: ANOVA표의Pr(>F)에1.55e−09***가보인다.원자료의분산해석문제는REG-08참조.

자료: 6._Linear_Regression_III_updated · 물리 페이지/슬라이드 35

[[pdf/6._Linear_Regression_III_updated/page-035.jpg|자료 화면 열기]]

## 5-2 창 0049 · 00:42:13–00:42:23 · 중요한 의미 차이 미발견

model2가개선된다는공통취지이며ANOVA검색어는분석의오인식이다.원자료검정설명REG-08은별개주의다.

![[review/audio/5-2/clips/0049.m4a]]

근거 파일: [[review/audio/5-2/0049.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 우리가 이제 모델2를 사용하는게 훨씬 더 좋다라는걸 Anova 분석을 통해서도 이해를 할 수가 있겠습니다 자 여기까지에 대한 모형 진단을 얘기했고

2차 전사:  우리가 모델 2를 사용하는 게 훨씬 더 좋다는 것을 ANOVA 검색어를 통해서도 이해를 할 수가 있겠습니다 여기까지에 대한 모형 진단을...

## 5-2 창 0050 · 00:42:29–00:42:52 · 중요한 의미 차이 미발견

FittedValue=Yhat과예측연비낮음/높음이라는방향이같다.

![[review/audio/5-2/clips/0050.m4a]]

근거 파일: [[review/audio/5-2/0050.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 모형에 대해서 우리가 배웠었던 여러가지 특징점이 있었죠? 선형성, 정규성, 등분산성 이런 것들 좀 알아보도록 하죠. 모형의 선형성에 대한 부분들은 어때요? 상대적으로 선형성을 좀 따르긴 해요. 근데 빨간색 선이 의미하듯이 아무래도 중간적 밸류, 이 FATED 밸류가 Y-hat, 예측값이야. 그래서 이 연비가 낮게 예측됐을 때, 높게 예측됐을 때, 아니면 중간 정도 예측됐을 때

2차 전사:  특징점이 있었죠? 선형성, 정규성, 등분산성 이런 것들에 대해서 알아보도록 하죠 모형의 선형성에 대한 부분들은 어때요? 상대적으로 선형성을 좀 따르긴 해요 근데 빨간색 선이 의미하듯이 아무래도 중간적 Value, 이 Fetid Value가 Y-Hat이야, 예측값이야 그래서 이 연비가 낮게 예측됐을 때 높게 예측될 때

## 5-2 창 0051 · 00:43:52–00:44:01 · 중요한 의미 차이 미발견

정규성Q-Q점군이라는공통관찰이며IID관련완결문은창경계밖이다.합의만으로가정충족을확정하지않는다.

![[review/audio/5-2/clips/0051.m4a]]

근거 파일: [[review/audio/5-2/0051.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 그런데 거의 선형적인 측면을 따라요. 잔차가 노멀리 디스트리밀 되어 있다. 우리가 어떤 IID 조건에 따라서 정교성을 따르고

2차 전사:  그런데 거의 선행적인 측면을 따라요 다시 얘기하면 잔차가 Normally Distributed에 있다 우리가 어떤 IID 조건에 따라서

## 5-2 창 0052 · 00:44:22–00:44:33 · 중요한 의미 차이 미발견

FittedValue가TTD로훼손됐지만잔차규모증가라는비교방향은같다.스케일축의정확한변환은자료식과구별해야한다.

![[review/audio/5-2/clips/0052.m4a]]

근거 파일: [[review/audio/5-2/0052.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 루트 쉬운 이 값이 얼마큼 커지냐, 작아지나 이거는 좀 올라가고 있어요. 그러니까 다시 얘기하면 fitted value y hat 값 대비해서 전차 전차 전차 잔차값이 조금 커지는 경향성이 있다고 이해를 할 수 있고요.

2차 전사:  얼마큼 커지냐 작아지냐 이걸 보는 건데 어떻게 보면 이거는 좀 올라가고 있어요 다시 얘기하면 TTD value YHAT 값 대비해서 전차 전차 전차 잔차 값이 조금 커지니까

## 5-2 창 0053 · 00:44:44–00:44:55 · 중요한 의미 차이 미발견

Cook거리의.5/1등고선과점하나=관측샘플의취지는같다.

![[review/audio/5-2/clips/0053.m4a]]

근거 파일: [[review/audio/5-2/0053.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 이 해당되는 부분은 cook distance라고 얘기되는 부분 이것만 이해를 하시면 될 것 같아요. cook distance를 뒤에서 다시 한번 얘기하겠지만 요거에 0.5, 1.0이라고 기준값 대비해서 요 산점도의 하나가 관측지 샘플 하나잖아요.

2차 전사:  쿡 디스턴스를 뒤에서 다시 한번 얘기하겠지만 0.5, 1.0 이라고 기준값 대비해서 이 산점도가 산점도의 하나가 관측지 샘플입니다

## 5-2 창 0054 · 00:45:20–00:45:28 · 자료 근거 정정 있음

Cook’sdistanceformula가요스티스스포일러로훼손됐다.실제영상검색어를근거로대상을정규화한다.

![[review/audio/5-2/clips/0054.m4a]]

근거 파일: [[review/audio/5-2/0054.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 강의에 포함을 안 시킬까 생각을 하고 있어서 그냥 한번 찾아 봅시다 우리. 이 쿱스 디스턴스 포뮬라.

2차 전사:  서 한번 찾아 봅시다 우리 요 스티스 스포일러 그래서

**자료·검토에 따른 정정:** Cook’sdistanceformula검색

근거: Google검색창에cook’sdistanceformula가보인다.

## 5-2 창 0055 · 00:45:33–00:45:41 · 중요한 의미 차이 미발견

수식을보자는안내이며새수식내용차이는없다.

![[review/audio/5-2/clips/0055.m4a]]

근거 파일: [[review/audio/5-2/0055.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 자 이거 한번 봅시다. 이걸 보면 수식이 있죠.

2차 전사:  자, 이거 한번 봅시다. 이걸 보면

## 5-2 창 0056 · 00:47:12–00:47:22 · 자료 근거 정정 있음

모든관측을포함한j번째적합값이S에서영문으로개선된다.원문모든변수표현과달라보이는정의문을기준으로대상을명시한다.

![[review/audio/5-2/clips/0056.m4a]]

근거 파일: [[review/audio/5-2/0056.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): y, j는 제2번째 fitted response야. 그래서 모든 관측치들을 다 포함한 제 2번째 Fitted Response야. 모든 변수를 다 사용한 거죠.

2차 전사:  fitted response야. When all the observations are included. 그래서 모든 관측치들을 다 포함한 제 2번째 fitted response야

**자료·검토에 따른 정정:** ŷ_j는모든관측을포함해적합한j번째응답의예측값이다.

근거: 정의문whenalltheobservationsareincluded가보인다.

## 5-2 창 0057 · 00:48:03–00:48:11 · 자료 근거 정정 있음

Cook거리예제에서아버지키라는설명변수제거를말하는원문과S의생략이충돌한다.화면공식은관측i삭제이므로대상을자료기준으로교정한다.

![[review/audio/5-2/clips/0057.m4a]]

근거 파일: [[review/audio/5-2/0057.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 예를 들어서 아버지의 키를 제외하고 아들의 키를 예측한 것과 아버지의 키를 다른 변수들과 섞어서 아들의 키를 예측한 것과 그 차이값을 빼고 예를 들어서 아버지의 키를

2차 전사:  아버지 아들의 키를 예측한 것과 그 차이 값을 빼 볼 거야 그랬더니 예를 들어서 아버지의 키를

**자료·검토에 따른 정정:** Cook거리에서ŷ_{j(i)}는설명변수가아닌관측i를제외해적합한j번째응답예측값이다.

근거: 정의문wherethefitdoesnotincludeobservationi가보인다.

## 5-2 창 0058 · 00:48:33–00:48:43 · 중요한 의미 차이 미발견

예측값차이제곱합/Euclidean비유는같다.분자명칭의후속완결은창끝에걸린다.

![[review/audio/5-2/clips/0058.m4a]]

근거 파일: [[review/audio/5-2/0058.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 모든 잔차에 대한 제곱 값을 다 더해준 거예요 우리가 어떤 요크리단 디스턴스에 대한 에러 값에 대해 디스턴스 제곱을 했었잖아요. 그거 비슷한 거예요. 문제는 이 분자에 대한 내용이 뭐냐면

2차 전사:  값을 갖다가 다 더해준 거예요. 그러면 상당히 이거 우리가 어떤 Euclidean distance에 대한 에러 값에 대한 distance 제곱을 했었잖아요. 그거 비슷한 거예요. 문제는 이

## 5-2 창 0059 · 00:49:12–00:49:40 · 중요한 의미 차이 미발견

Cook거리의관측별영향과관측번호순서라는취지는같다.번호가순서통계량이라는새해석은추가하지않는다.

![[review/audio/5-2/clips/0059.m4a]]

근거 파일: [[review/audio/5-2/0059.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 대개 영역 많이 줘 이 변수는 되게 좀 다른 데서 한 다른 관측지와는 다른 특이한 점이 있는 거야 그 의미가 이 쿡스 디스스 라고 이해를 하시면 되겠습니다 그럼 우리 본론으로 돌아옵시다 자쿡스 디스스 를 봤을 때 업조베이션 넘버를 기준해서 x 축이 쭉 쳐져 있죠 의미가 볼까 관측지의 수가 쭉 우선은 오더링 기준으로 관측지의 정보 기준으로 본 거야 순서는 의미가 없는가 다시 얘기하면 그런데 특정 정보가 그래서 이게 뭐죠? 크라이슬러 임페리얼, 메르세데스 벤츠 230, 퓨야트 128

2차 전사:  있는 거야 그 의미가 이 쿡스 디스턴스라고 이해를 하시면 되겠습니다 그럼 우리 본론으로 돌아옵시다 자 쿡스 디스턴스를 봤을 때 observation number를 기준으로 해서 x 축이 쭉 쳐져 있죠 의미가 뭘까 관측치의 개수가 쭉 우선은 ordering 기준으로 관측치의 정보 기준으로 본 거야 순서는 의미가 없는 거에요 다시 얘기하면 그런데 특정 정보가 특정 정보 예를 들어서 요게 뭐죠 크라이슬러

## 5-2 창 0060 · 00:49:54–00:50:18 · 자료 근거 정정 있음

분모p×MSE가S에서p×ms2로오인식된다.영상에보이는Cook공식으로확정한다.

![[review/audio/5-2/clips/0060.m4a]]

근거 파일: [[review/audio/5-2/0060.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 그래서 Y값을 이 관측지를 넣었을 때와 안 넣었을 때 이 차이가, 이 차이, 이거를 제곱한 모든 것에 대해서 다 도와했던 이 차이가 노멀라이징까지 굳이 얘기해 볼까요? 나도 이제 기억 못해서 지금 방금 찾아봤지만 P 곱하기 MSE였어. 이걸 노멀라이징에 준 이 해당 값이 결국은 이 Y축에 해당되는 쿡스 디스턴스였던 거야. 이 값이 이 해당되는 3개의 관측치가 정말 정말 컸어서 다른 관측치와는 조금 다른 유별난 특징이 있다.

2차 전사:  안 넣었을 때 이 차이가 이거를 제곱하고 모든 것에 대해서 다 도화했던 이 차이가 노멀라이징까지 굳이 얘기해 볼까요 나도 이제 기억 못해서 지금 방금 찾아봤지만 p 곱하기 ms2였어 이걸 노멀라이징해 준 이 해당 값이 결국은 이 y축에 해당되는 쿱스 디스턴스였던 거야 이 값이 이 해당되는 세 개의 관측치가

**자료·검토에 따른 정정:** 표시된Cook거리분모는p×MSE이고MSE는mean squarederror다.

근거: 실제분수의p×MSE와범례MSEisthemeansquarederror를확인했다.

## 5-2 창 0061 · 00:50:42–00:50:51 · 자료 근거 정정 있음

leverage와Cook거리.5/1의대상이혼재하고S는큰부분이잘렸다.보이는잔차대leverage도표의등고선구분으로표기한다.

![[review/audio/5-2/clips/0061.m4a]]

근거 파일: [[review/audio/5-2/0061.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 자 이거 말고도 리버레지라는 것을 이용해서 스탠다드 레지듀 기반에서 0.5 또는 1 이 값에 비해서 이게 바깥으로 벗어나는 비율을 기반으로도 아웃라이어를 찾을 수도 있습니다. 뭘 하든지 여러분들 하고싶는대로 하면 돼요. 쿡스 디스턴스를 판별해도 되고 리버레지를 해도 되고

2차 전사:  디바늄으로도 아웃라인을 찾을 수도 있습니다 뭘 하든지 여러분들 하고 싶든 하시면 돼요 국수 디스턴스를 판별해도 되고

**자료·검토에 따른 정정:** ResidualsvsLeverage그림의가로축은leverage이며점선은Cook’sdistance등고선이다. .5/1을leverage가로축임계값으로읽지않는다.

근거: 가로축0~.30과Cook’sdistance점선라벨.5가실제로보인다.영향점과이상치를동일시하는발언복원은하지않는다.

자료: 6._Linear_Regression_III_updated · 물리 페이지/슬라이드 37

[[pdf/6._Linear_Regression_III_updated/page-037.jpg|자료 화면 열기]]

## 5-2 창 0062 · 00:51:07–00:51:14 · 중요한 의미 차이 미발견

요청하면추가강의/시험범위라는안내취지는같고수학명제차이는없다.

![[review/audio/5-2/clips/0062.m4a]]

근거 파일: [[review/audio/5-2/0062.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 만약에 내가 강의를 하게 되면 시험 문제에 들어갈 거야. 그건 감안하고 요청을 하시고요. 만들어줄 수 있으니까. 자, 무튼간에 여기까지가 내가 강의하는 내용이 전체 내용이었어요.

2차 전사:  만약에 내가 강의를 하게 되면 내 시험문제에 들어갈 거야 그거는 감안하고 요청을 하시고요 만들어 줄 수 있으니까 자 무튼간에

## 5-2 창 0063 · 00:52:04–00:52:23 · 중요한 의미 차이 미발견

선형상관이강하면공선성/계수추정문제라는공통설명이다.정확도하락의필연성은REG-09조건과별개다.

![[review/audio/5-2/clips/0063.m4a]]

근거 파일: [[review/audio/5-2/0063.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 이거를 보는 걸 기준으로 해서 우리가 다중공사성 문제가 발생할 수 있다. 자 독립변수들 간에 성향상각성이 아주 강해 이러면 우리는 이거 학습모델이 좀 베타 추정하는 것도 어렵고요 그 다음에 우리가 이제 추정하는 모델 자체가 정확히 떨어질 수 있어요 라는 얘기를 할 수 있다고 얘기했었어요 다중공사성으로 갖다가 만들 수 있는 방법

2차 전사:  보는 걸 기준으로 해서 우리가 다중공사성 문제가 발생할 수 있다 독립변수들 간에 성향상관성이 아주 강해 이러면 우리는 이거 학습모델이 좀 베타 추정하는 것도 어렵고요 그다음에 우리가 추정하는 모델 자체가 정확히 떨어질 수 있어요 라는 얘기를 할 수 있다고 얘기했었어요 다중공사 선언을 하시면 됩니다

## 5-2 창 0064 · 00:52:44–00:52:58 · 중요한 의미 차이 미발견

상관높은일부변수제외로단순모형선택이라는취지와비교방향은같다.

![[review/audio/5-2/clips/0064.m4a]]

근거 파일: [[review/audio/5-2/0064.json]]

원전사(문맥을 위해 창 밖 인접 세그먼트가 포함될 수 있음): 아니면 산점도를 그려보고 변수간의 correlation 높으면 그런 것들을 빼주는 거예요. 일부 변수를. 그렇게 해주는 것을 비교해서 여러분들을 변수를 채택해서 선형 회기 모델을 최대한 심플하게 가져간다. 일부의 significant 변수들만 가지고

2차 전사:  보면 그런 것들을 빼주는 거예요. 일부 변수를. 그렇게 해주는 것을 비교해서 여러분들을 변수를 채택해서 선형 회귀모델을 최대한 심플하게 가져간다. 일부의 Significant한 변수들만 가져간다.