[대학교이상] 걍 그래프 피팅임

[익명(220.80)]

 

평균 분산?

y = c

A = (1, 1, ... 1) 로 제일 단순한 수평선 그래프로 fit하면 평균 분산인거임

A(x_hat) = p <- 얘가 평균

e = b - p

|e|^2 / n  <- 얘가 분산

당연히 확장 가능한

y = c + dt + et^2 ...

등의 다양한 식의 그래프로 피팅이 가능하고

그런 그래프들중 제일 간단하고 단순한 그래프로 피팅해서 성질 알아내는게 평균 분산

[ㅆㅅ(siiot)]

fitting한다는 건 loss function을 최소화하는 거고, loss function만 다른 norm 형태로 바꾸면 fitting의 관점이 그대로 유지되기 때문에, 다른 Lp 대비 L2가 표준이라는 걸 설명하기에 충분하지는 않다고 봄. 하지만 L2는 inner product가 있으니 orthogonal projection을 쓸 수 있어서 근사가 쉽다는 특장점이 있음

[수갤러 1(114.108)]

저거 무슨 식임?

[ㅆㅅ(siiot)]

@수갤러1(114.108) 대충 b가 실제 데이터, Ax가 근사하고 싶은 다항식인데 A가 다항식의 차수, x가 차수별 항들의 계수 데이터를 갖고 있음. 저 첫번째 식은 (흔히 쓰는 L2 norm으로 쟀을 때) 오차가 제일 적게 하는 계수 x가 hat(x)라는 뜻임. 나머지는 제미나이 돌리셈

[익명(211.36)]

걍 subspace에 projection 하는 건데 선대모르는 정신병자 장애인이면서 아는척은 해야겠으니 LLM에 자아의탁해서 애미창년 답변 쳐하고 있노

[수갤러 1(114.108)]

@ㅆㅅ 양쪽에 At는 똑같이 붙어있는데 소거안하고 표시하는 이유는 뭐냐

[ㅆㅅ(siiot)]

@수갤러1(114.108) 애초에 Ax = b가 안 되는 게 근사인 Ax의 정확도가 정확히 1이 되는 경우는 거의 없어서 그럼. 대신 Ax - b의 크기(L2 norm)을 오차라 생각하고 최소화하는 게 목표인 거임. 그러려면 윗댓 말대로 Ax - b를 A의 column space 위에 projection 했을 때 0이 되는 x = hat(x)를 찾으면 되고, 이 경우 A^T(Ahat(x) - b) = 0이 되는 거

[수갤러 1(114.108)]

@ㅆㅅ 그렇군

[수갤러 2(220.79)]

@ㅆㅅ 게이는 먹금 잘하노 ㅋㅋ

[밤밤_(rooftop6370)]

이게 맞지 - dc App