[📪정보] (고등학생용) 념글 수식 해설!

머신러닝 입문 글 너무 좋았습니다! 글쓴이 분께 감사하고요.

혹시 수식 때문에 이해가 안 된다 싶은 분들을 위해 수식 해설을 해보도록 하겠습니다.

원글과 같이 보기를 권합니다만 모바일이라면 뭐... 어쩔 수 없죠.

아, 고1 수준 집합 기호들은 아시죠? 그건 따로 설명 안합니다~

먼저 이건, '굵은 x' (큰 X 말고)에 x1, x2라는 두 가지 정보를 저장해두는 개념으로 이해하시면 편합니다.

그러면 맨 앞의 큰 X는 뭐냐? 가능한 '굵은 x'들을 모조리 모아둔 것입니다!

'굵은 x'는 어떤 글 하나, 큰 X는 우리가 현재 알고 있는 모든 글들을 모아놓은 집합을 의미한다고 생각하시면 되겠네요.

물론 엄밀하게는 그 글의 유동IP, 제목이라는 두 가지 특성을 의미합니다.

넘어가죠. 여기서 예를 들어서 (x1, y1)에서, x1이 '굵은 x'죠? 유동 IP가 아닙니다!

즉, 여러 개의 '굵은 x'가 있는데, x1은 굵은 x 중 첫번째, 즉 첫번째 글. x2는 두번째 글... 이런 식으로 이해하면 편합니다.

그러니까 (x1, y1)=((x1,x2),y1). 대충 이런 개념이다 정도.

그리고 이제는 (x1, y1)이 하나의 글(정확히는, 그 글의 세 가지 특성. 유동IP, 제목, 분탕글인지 정보글인지)을 의미합니다.

S는 그런 글들, 우리가 가진 자료들을 모아놓은 도서관 개념이고요.

아, X 곱하기 Y라는 게 오른쪽에 보이실 겁니다. 거기서 곱하기는 데카르트곱이라고 하는데,

예를 들어서 집합 A={1,2}, B={1,3,4}가 있으면,

A 데카르트곱 B는 {(1,1), (1,3), (1,4), (2,1), (2,3), (2,4)}입니다. 하나씩 골라서 묶어놓는 개념이라고 보시면 됩니다.

h라는 함수는 x의 두 가지 특성(유동IP, 제목)을 입력해주면, y(분탕글인가, 정보글인가?)를 출력해주는 함수입니다.

아래의 f라는 함수는 '정답'이고, h는 우리가 세운 가설이다, 그러니까 틀릴 수도 있습니다.

def는 정의를 의미합니다. 저걸 그냥 줄 세 개 긋는 걸로 쓰기도 하는데, 그러니까 L이라는 함수를 오른쪽에 있는 수식과 같이 정의하겠다는 뜻입니다.

P(h(x)=/f(x))는 임의의 굵은 x를 입력했을 때(즉, 어떤 글을 데이터로 넣었을 때), 가설에 따른 답과, 정답이 다른 확률을 의미합니다.

D니 f니 S니 아래첨자들이 여럿 있는데, D라는 확률분포 하에서 데이터를 추출해서... 어쩌고저쩌고. 그냥 알면 좋긴 한데 별 신경 안 쓰셔도 됩니다.

근데 우리가 정답을 구하려고 h라는 가설을 세운 건데, 정답인 f를 어떻게 알고 h랑 같은지 다른지 비교를 합니까?

그래서 식은 이렇게 수정됩니다. 즉, m개의 글이 있는데, 그 글을 모두 h라는 가설에 입력해봅니다.

여기서 분자는 틀린 것의 개수를 의미합니다. (틀린 것 수)/(전체 글 수)가 뭡니까? 오답률이죠.

이렇게 여차저차해서, S라는 데이터를 어떻게 잘 분석해서, 오답률이 최소가 되는 가설 h를 찾습니다.

argmin은 '최소로 만들어주는'. 즉 오답률을 최소로 만들어주는 가설 h를 찾으라 이 말입니다.

이건 'S에 포함되어 있는 거면 yi를, 포함되어 있지 않은 새로운 자료면 '정보글'을 추출해라!'

근데 S에 포함되어 있으면 이미 우리가 정답을 아는 거니까 정답이 나오는 게 당연하고...

애초에 우리는 S에 포함되어 있지 않은 자료를 보고, 그게 정보글인지 분탕글인지 추론하기 위해 h라는 가설을 쓰는 겁니다.

근데 그런 걸 싹 다 정보글로 판정해버리면? 일일이 들어가서 확인해보라는 소리죠.

...그건 나도 하겠다.

이상입니다.

댓글 3