어떤 추측이 데이터를 가장 잘 설명하나(가능도)
왜 중요한가 이 강좌의 거의 모든 손실은 남몰래 같은 생각이에요: 본 데이터가 가장 그럴듯한 모델을 고르기.
작은 숫자
동전을 10번 던져 앞면을 7번 봐요. 동전은 공정할까요? 물어보세요: 앞면이 나올 확률이 p라면, 정확히 이 순서는 얼마나 그럴듯한가? p = 0.5면 0.5의 10제곱, 약 0.00098이에요. p = 0.7이면 0.7의 7제곱 곱하기 0.3의 3제곱, 약 0.0022로 두 배 넘게 그럴듯해요. 0부터 1까지 모든 p를 훑으면 최선은 정확히 0.7이에요: 본 앞면의 비율.
가능도: 모델의 특정 설정 아래에서 관찰한 데이터가 얼마나 그럴듯한지. 최대 가능도: 그걸 가장 그럴듯하게 만드는 설정.
작은 확률 여러 개의 곱은 컴퓨터에 너무 작아지니, 대신 로그를 더해요: 로그 가능도. 최선의 설정은 바뀌지 않아요, 로그는 입력이 올라가면 언제나 올라가기만 하니까요.
요약 본 것을 가장 덜 놀랍게 만드는 설정을 고르세요.
이 레슨의 단어와 기호
- 가능도
- 모델의 한 설정 아래에서 본 데이터가 얼마나 그럴듯한지
log_likelihood(p, heads, tails)와, p를 np.linspace(0.001, 0.999, 999)에 걸쳐 훑고 로그 가능도가 가장 높은 p를 반환하는 best_p(heads, tails)를 쓰세요.
여기서 필요한 로그 규칙 둘: 곱의 로그는 로그의 합, log(a × b) = log a + log b, 그래서 거듭제곱은 앞으로 나와요, log(p7) = 7 log p.
이 연습은 곧 열려요
앞의 레슨을 마치면 이 레슨이 열려요. 강좌 전체가 무료이고 계정도 필요 없으며, 이 레슨은 지금 바로 읽을 수 있어요.
이 브라우저가 learn.floati.life의 쿠키를 막고 있어서, 여기서 마친 레슨들이 순서대로 열리지 않아요. 이 사이트의 쿠키를 허용하고 새로고침하세요.