컨포멀 변화점 위치추정 CONCH: 분포 가정 없이 변화 시점의 신뢰집합을 구하는 방법
카네기멜런대 통계학과 세미나 정리. 이미지든 텍스트든 데이터 분포를 전혀 가정하지 않고 변화가 언제 일어났는지를 유한표본 신뢰집합으로 내놓는 CONCH 알고리즘의 원리와 실험 결과, 남은 한계를 살펴본다.
핵심 내용 읽기 →
AI TOPIC
통계 최신 뉴스와 핵심 해설
통계 관련 핵심 뉴스와 활용 인사이트 13편을 최신순으로 모았습니다.
95% 신뢰구간의 뜻과 가장 흔한 오해: 신뢰구간과 베이지안 신용구간의 결정적 차이
통계 시험을 통과한 사람도 자주 틀리는 문장이 있다. 95% 신뢰구간의 95%가 왜 눈앞의 구간이 아니라 그 구간을 만들어낸 절차에 붙는 숫자인지, 학생 36명 실험 예시와 극단적인 반례로 차근차근 짚었다.
핵심 내용 읽기 →
오즈와 확률의 차이, 베이즈 규칙·로지스틱 회귀·오즈비가 모두 비율 눈금을 택한 이유
확률과 오즈는 같은 믿음을 다르게 적은 것이지만 분모가 다르다. 분모가 함께 움직이는 오즈에서 베이즈 규칙은 곱셈이 되고, 로그를 씌우면 증거 한 조각의 값어치가 언제나 같은 크기로 보인다는 점을 짚는 해설이다.
핵심 내용 읽기 →
로그정규분포 쉽게 이해하기: 곱셈 과정에서 산술평균이 아니라 기하평균을 봐야 하는 이유
동전 던지기에서 더하기를 곱하기로 한 글자만 바꾸면 종형 곡선이 사라집니다. 중심극한정리가 왜 곱셈 과정에는 통하지 않는지, 평균과 중앙값이 왜 갈라지는지, 복리에서는 왜 기하평균을 봐야 하는지 정리했습니다.
핵심 내용 읽기 →
1종 오류와 2종 오류의 차이, 유의수준과 검정력으로 다시 읽는 통계 검정 결과 해석법
유의수준 0.05는 데이터를 한 개도 모으기 전에 스스로 정하는 값이지만, 2종 오류율은 특정 효과 크기를 지목해야 비로소 계산된다. 두 팀이 쓴 같은 '유의미한 차이 없음'이 왜 전혀 다른 무게를 갖는지 짚는다.
핵심 내용 읽기 →
R² 결정계수의 진짜 의미와 함정: 상관계수 제곱인 이유부터 잔차 그래프 확인법까지
회귀 결과마다 따라붙는 R²는 '평균선보다 얼마나 나았는지'만 알려주는 점수다. 결정계수가 상관계수의 제곱과 같아지는 이유, 표본 범위에 따라 값이 출렁이는 구조적 약점, 그리고 숫자 대신 잔차 그래프를 먼저 그려야 하는 이유를 정리했다.
핵심 내용 읽기 →
퓨즈드 라소(Fused Lasso) 정리: 시계열·공간 데이터에 어울리는 라소 회귀 확장
라소 회귀에 인접한 계수끼리 크게 벌어지지 못하도록 붙잡는 제약을 하나 더 얹은 퓨즈드 라소를 정리했다. 월별 강수량으로 집값을 예측하거나 인접 토지의 상태로 철도 건설비를 추정할 때 왜 유용한지 예제로 설명한다.
핵심 내용 읽기 →
비율 추정량은 왜 편향을 그대로 두는가, 편향-분산 트레이드오프로 본 통계 실무 판단
표본분산처럼 간단히 고칠 수 있는 편향과 달리 비율 추정량의 편향은 보정하려 할수록 손해다. 유튜브 조회수 대비 좋아요 비율을 1만 번 시뮬레이션해 편향과 분산의 크기를 직접 비교한 강의를 정리했다.
핵심 내용 읽기 →
평균 분산 왜도 첨도 완전 정리: 분포를 구별하는 네 가지 모멘트를 게임 비유로 이해하기
평균이 같고 분산까지 같은 두 게임을 어떻게 구별할까. 로또와 무보험 운전 비유로 왜도를, 통제된 위험과 돌발 변수 비유로 첨도를 설명한 딥러닝닷에이아이 협업 머신러닝 수학 강의를 한국어로 정리했다.
핵심 내용 읽기 →
표준편차와 표준오차의 차이: 데이터의 흩어짐과 평균 추정의 정밀도, 그리고 루트 n 관계
표준편차와 표준오차는 같은 데이터·같은 단위인데도 값이 열 배까지 차이 난다. 데이터의 흩어짐과 평균 추정의 정밀도라는 서로 다른 질문에 답하는 두 개념을, 시그마와 루트 n 관계로 키 측정 예시와 함께 명쾌하게 정리한다.
핵심 내용 읽기 →
로지스틱 회귀 쉽게 이해하기: 선형 회귀와의 차이, S자 곡선과 확률, 최대우도 추정까지 정리
연속적인 값을 예측하는 선형 회귀와 달리, 로지스틱 회귀는 참인지 거짓인지를 가르는 분류에 쓰인다. 데이터에 맞추는 S자 곡선과 확률, 잔차 없이 곡선을 찾는 최대우도 추정의 원리까지 일상적인 비유로 차근차근 풀어봤다.
핵심 내용 읽기 →
베이즈 정리 쉽게 이해하기: 사전확률·가능도·사후확률과 사서 스티브 사례로 보는 원리
확률에서 가장 중요한 공식인 베이즈 정리를 직관으로 풀어냅니다. 새 증거가 믿음을 결정하지 않고 갱신한다는 핵심, 사서 스티브 사례와 기저율 무시, 사전확률·가능도·사후확률, 넓이로 생각하는 그림까지 짚었습니다.
핵심 내용 읽기 →
거짓 발견율(FDR)이란? 다중검정의 거짓 양성을 줄이는 벤자미니-호크버그 방법
유전자 1만 개를 한꺼번에 검정하면 거짓 양성이 쏟아지는 다중검정 문제와, P값을 보정해 거짓 발견을 통제하는 FDR·벤자미니-호크버그 방법을 예시로 정리했습니다.
핵심 내용 읽기 →