# Bayes Theorem
Day 41
Machine Learning Day 16 \* Decision Tree - is used for distinguishing Feature Importance \* KNN Clustering - is used for pre-training of YOLO(You Only Look Once) Algorithm \* Bayesian Inference - relationship between Prior Probability_ and Posterior Probability_ => These things matter for understanding the concept of what Algorithm is. Bayesian Inference = a step for better understanding of Gausian Algorithm ** 
Day 39
Machine Learning Day 14 ** ** When a prior dataset can be roughly represented by a normal distribution, bayesian statistics show that sample information from the same process can be used to obtain a posterior normal distribution. The latter is a weighted combination of the prior and the sample. ** $$ P(A|B) = P(B|A)P(A) \;/\; P(B)
실험 통계학 요약 [1장 확률 이론]
1. 확률 이론 1.1 확률 probabilities sample sapce : 표본 공간 S 결과들의 집합은 표본 공간 혹은 사상 공간이라 불리운다. 확률값 특정한 실험 결과가 나올 가능성 혹은 확률은 그 표본공간의 각 요소에 대한 일련의 확률값을 부여함으로써 구할 수 있다. 표본 공간에서의 각 결과는 0과 1사이의 확률값을 갖게 되면 표본 공간 내 요소들의 확률 총합은 1이 되어야만 한다. 기회 게임에서 모든 실험 결관느 동일한 가능성 하에 발생하는 것으로 간주되며, 따라서 그 확률값이 같다. 같은 표본 공간에서 n개의 결과가 나온다면 개개의 확률은 1/n이 된다. 1.2 사건 Event 사건 A는 sample space S의 부분집합이다. **compl
선형판별분석 Linear Discriminant Analysis (작성중)
시작하기 전에 분류기법 종류 확인하기 질적 반응변수를 예측하는데 사용될 수 있는 분류기는 아래와 같은 기법이 있다. 로지스틱 회귀(logistic regression) 선형판별분석(linear discriminant analysis) K-최근접이웃(k-nearest neighbor hood) 일반화가법모델(generalized additive model) 트리(tree) 랜덤포레스트(random forest) 부스팅(boosting) 서포트 벡터 머신(support vector machine) LDA LDA 분류기는 개별 클래스 내의 관측치들이 클래스 특정(클래스 별) 평균 벡터와 클래스 공통의 분산 $\sigma^{2}$을 갖는 정규분포를 따른다는 가정 하에 이 파라미터에 대한 추정값을 베이즈 분류기에 대입하여 얻는다. 즉, 개별 클래
Bayes Theorem 정리
Bayes Theorem(베이즈 이론) 정의 위키백과에 따르면, 베이즈 이론이란 두 확률 변수의 사전 확률과 사후 확률 사이의 관계를 나타내는 정리다. 베이즈 확률론 해석에 따르면 베이즈 정리는 사전확률로부터 사후확률을 구할 수 있다. 베이즈 정리는 불확실성 하에서 의사결정문제를 수학적으로 다룰 때 중요하게 이용된다. 특히, 정보와 같이 눈에 보이지 않는 무형자산이 지닌 가치를 계산할 때 유용하게 사용된다. 전통적인 확률이 연역적 추론에 기반을 두고 있다면 베이즈 정리는 확률임에도 귀납적, 경험적인 추론을 사용한다. 공식 우선 베이즈 정리의 공식부터 확인해보도록 하자. [출처:https://angeloyeo.github.io/2020/01/09/Bayes_rule.html] 그림에는 총 네 개의