You are looking for information, articles, knowledge about the topic nail salons open on sunday near me 베이지안 on Google, you do not find the information you need! Here are the best content compiled and compiled by the Toplist.maxfit.vn team, along with other related topics such as: 베이지안 베이지안 추론, 베이지안 머신러닝, 베이지안 기법, 베이지안 추정, 베이지안 통계 란, 베이지안 업데이트, 베이지안 분석, 베이지안 알고리즘
일어나지 않은 일에 대한 확률을 불확실성(uncertainty)의 개념. 즉, 사건과 관련 있는 어려 확률을 이용해 새롭게 일어날 사건을 추정하는 것이 베이지안 확률이다. -베이즈정리 (Bayes’ theorem)라 불리며, 종속적(의존적) 관계에 놓인 사건들을 기반으로 확률을 구함.
베이지안 이론 (Bayesian theory) :: BioinformaticsAndMe
- Article author: bioinformaticsandme.tistory.com
- Reviews from users: 4848
Ratings - Top rated: 4.8
- Lowest rated: 1
- Summary of article content: Articles about 베이지안 이론 (Bayesian theory) :: BioinformaticsAndMe Updating …
- Most searched keywords: Whether you are looking for 베이지안 이론 (Bayesian theory) :: BioinformaticsAndMe Updating 베이지안 이론 (Bayesian theory) Start. BioinformaticsAndMe 1. 빈도 확률(Frequentist probability) vs 베이지안 확률(Bayesian probability) -빈도 확률(Frequentist probability) > ‘동전의 앞면’ 이 나올..Training is everything.
- Table of Contents:
베이지안 이론 (Bayesian theory)
티스토리툴바
베이즈 확률론 – 위키백과, 우리 모두의 백과사전
- Article author: ko.wikipedia.org
- Reviews from users: 1651 Ratings
- Top rated: 4.1
- Lowest rated: 1
- Summary of article content: Articles about 베이즈 확률론 – 위키백과, 우리 모두의 백과사전 베이즈 확률론은 베이즈 정리를 바탕으로 한 확률 해석에 기반한 확률론이다. 베이즈 확률론은 … 〈베이지안 통계의 역사와 미래에 대한 조망〉, 서울대학교 통계학과, 2014년 … …
- Most searched keywords: Whether you are looking for 베이즈 확률론 – 위키백과, 우리 모두의 백과사전 베이즈 확률론은 베이즈 정리를 바탕으로 한 확률 해석에 기반한 확률론이다. 베이즈 확률론은 … 〈베이지안 통계의 역사와 미래에 대한 조망〉, 서울대학교 통계학과, 2014년 …
- Table of Contents:
개요[편집]
객관주의와 주관주의[편집]
역사[편집]
베이즈 확률론의 정당화[편집]
응용 분야[편집]
같이 보기[편집]
외부 링크[편집]
각주[편집]
베이지안 이론 (Bayesian Theroy) 이란?
- Article author: ddiri01.tistory.com
- Reviews from users: 41823 Ratings
- Top rated: 4.5
- Lowest rated: 1
- Summary of article content: Articles about 베이지안 이론 (Bayesian Theroy) 이란? 수식을 가지고 어렵게 이야기하지만, 기초적인 개념을 소홀히 하고 있는 것 같아, 정리차 포스팅 한다. 1. 베이지안 확률 (Bayesian Probability). …
- Most searched keywords: Whether you are looking for 베이지안 이론 (Bayesian Theroy) 이란? 수식을 가지고 어렵게 이야기하지만, 기초적인 개념을 소홀히 하고 있는 것 같아, 정리차 포스팅 한다. 1. 베이지안 확률 (Bayesian Probability). 말도 많고 탈도 많은 베이지안. 머신러닝 이니 인공지능이니 이런것들이 뜰수록 덩달아 자주 사람들입에 오르 내리는게 베이지안(bayesian) 이다. 수식을 가지고 어렵게 이야기하지만, 기초적인 개념을 소홀히 하..
- Table of Contents:
베이지안 추론(1) – 이론
- Article author: sumniya.tistory.com
- Reviews from users: 31111 Ratings
- Top rated: 4.8
- Lowest rated: 1
- Summary of article content: Articles about 베이지안 추론(1) – 이론 바로 빈도론(Frequentism)과 베이지안(Bayesianism)입니다. 이번 포스팅에서는 이 중에서 베이즈 정리에 입각한 베이지안 추론(Bayesian inference)에 … …
- Most searched keywords: Whether you are looking for 베이지안 추론(1) – 이론 바로 빈도론(Frequentism)과 베이지안(Bayesianism)입니다. 이번 포스팅에서는 이 중에서 베이즈 정리에 입각한 베이지안 추론(Bayesian inference)에 … 개인적으로는 통계의 본질은 실제 세계의 문제를 확률분포로써 수학적으로 모델링하고, 가정한 분포의 parameter를─error를 컨트롤하면서 이를 최소화하며─추정하는 학문이라고 생각합니다. 따라서, 통계학에서..
- Table of Contents:
‘Machine LearningStatistics’ Related Articles
티스토리툴바
베이지안
- Article author: www.koreascience.or.kr
- Reviews from users: 44787 Ratings
- Top rated: 4.6
- Lowest rated: 1
- Summary of article content: Articles about 베이지안 베이지안 이론. 현대의 통계이론은 크게 두 가지 방향에서 연구, 확. 립되어 왔으며, 이에 따라 확률도 두 가지로 나누어 설. 명하고 있다. …
- Most searched keywords: Whether you are looking for 베이지안 베이지안 이론. 현대의 통계이론은 크게 두 가지 방향에서 연구, 확. 립되어 왔으며, 이에 따라 확률도 두 가지로 나누어 설. 명하고 있다.
- Table of Contents:
조건부 확률(베이지안)의 이해를 위한 예제 및 풀이 – 사이냅소프트
- Article author: www.synapsoft.co.kr
- Reviews from users: 24948 Ratings
- Top rated: 3.3
- Lowest rated: 1
- Summary of article content: Articles about 조건부 확률(베이지안)의 이해를 위한 예제 및 풀이 – 사이냅소프트 조건부 확률(베이지안)의 이해를 위한 예제 및 풀이 … 베이스의 정리(Bayes’ theorem)는 공부할 때마다 새로운 느낌이 든다. 매번 아하 그렇지 라는 생각 … …
- Most searched keywords: Whether you are looking for 조건부 확률(베이지안)의 이해를 위한 예제 및 풀이 – 사이냅소프트 조건부 확률(베이지안)의 이해를 위한 예제 및 풀이 … 베이스의 정리(Bayes’ theorem)는 공부할 때마다 새로운 느낌이 든다. 매번 아하 그렇지 라는 생각 …
- Table of Contents:
사이냅 문서뷰어
어디서 어떻게 사용되고 있을까요
사이냅 문서뷰어 적용사례를 만나보세요
사이냅 에디터
한 차원 높은 HTML5 웹에디터를 만나보세요
뉴스레터를 구독하세요
감사합니다 사이냅소프트에 대한 생생한 정보 전달드리겠습니다
베이지안(Bayesian Inference) 쉽게 이해하기
- Article author: rk1993.tistory.com
- Reviews from users: 15863 Ratings
- Top rated: 4.9
- Lowest rated: 1
- Summary of article content: Articles about 베이지안(Bayesian Inference) 쉽게 이해하기 베이지안 정리가 무엇인지 알아보기 전에 ‘확률’에 대한 두가지 관점을 먼저 이해해야 한다. 통계학은 크게 빈도주의자(frequentist)와 베이즈 … …
- Most searched keywords: Whether you are looking for 베이지안(Bayesian Inference) 쉽게 이해하기 베이지안 정리가 무엇인지 알아보기 전에 ‘확률’에 대한 두가지 관점을 먼저 이해해야 한다. 통계학은 크게 빈도주의자(frequentist)와 베이즈 … 확률의 정의 베이지안 정리가 무엇인지 알아보기 전에 ‘확률’에 대한 두가지 관점을 먼저 이해해야 한다. 통계학은 크게 빈도주의자(frequentist)와 베이즈주의자(Bayesian)로 나뉜다. 어느 쪽이든 확률을 계산하..우주먼지의하루
- Table of Contents:
우주먼지의 하루
베이지안(Bayesian Inference) 쉽게 이해하기
확률의 정의
베이즈 정리
베이즈 추론 예시
베이즈 추론 특징
베이즈 추론 적용 칼만 필터(Kalman Filter)
베이지안 사회과학 방법론이란 무엇인가
- Article author: www.kci.go.kr
- Reviews from users: 28481 Ratings
- Top rated: 4.9
- Lowest rated: 1
- Summary of article content: Articles about 베이지안 사회과학 방법론이란 무엇인가 베이지안 방법이란 자료분석에서 확률이라는 수학적 언어를 이용해 연구자가 가진 불확실성을 체계적으로 기술하고자 하는 경험적 연구방법이다. 본 논문은 베이지안 … …
- Most searched keywords: Whether you are looking for 베이지안 사회과학 방법론이란 무엇인가 베이지안 방법이란 자료분석에서 확률이라는 수학적 언어를 이용해 연구자가 가진 불확실성을 체계적으로 기술하고자 하는 경험적 연구방법이다. 본 논문은 베이지안 … What is Bayesian Methodology? – Bayesian statistics;prior distribution;posterior distribution;hypothesis test;Markov chain Monte Carlo methods
- Table of Contents:
초록
열기닫기 버튼
키워드열기닫기 버튼
인용현황
KCI에서 이 논문을 인용한 논문의 수는 8건입니다
열기닫기 버튼
참고문헌(57)
열기닫기 버튼
2020년 이후 발행 논문의 참고문헌은 현재 구축 중입니다
See more articles in the same category here: toplist.maxfit.vn/blog.
베이지안 이론 (Bayesian theory)
베이지안 이론 (Bayesian theory) Start.
BioinformaticsAndMe
1. 빈도 확률(Frequentist probability) vs 베이지안 확률(Bayesian probability)
-빈도 확률(Frequentist probability)
> ‘동전의 앞면’ 이 나올 확률은 어떻게 구할까? 우선 던져볼 것이다. 10번 던졌을 때 4개가 앞면이면, 앞면이 나올 확률 = 2/5.
100번 던졌을 때 45개가 앞면이면, 앞면이 나올 확률 = 9/20. 이런식으로 시행횟수를 반복하여 빈도수(Frequency)를 측정하게 되면,
우리에게 익숙한 빈도 확률을 계산할 수 있다.
-베이지안 확률(Bayesian probability)
> ‘화산이 폭발할 확률’ 을 빈도 확률로 계산할 수 있을까? 어려울 것이다. 우리가 동전 던지기하듯 화산을 폭발시킬 수 없기에 빈도 확률 방법으로는 신뢰할만한 값을 얻기 어렵다. 세상에는 반복할 수 없는 사건이 무수히 많고, ‘빈도 확률’의 개념을 그러한 사건에 적용을 할 수 없다. 일어나지 않은 일에 대한 확률을 불확실성(uncertainty)의 개념. 즉, 사건과 관련 있는 어려 확률을 이용해 새롭게 일어날 사건을 추정하는 것이 베이지안 확률이다.
2. 베이지안 확률(Bayesian probability) 정의
-베이즈정리 (Bayes’ theorem)라 불리며, 종속적(의존적) 관계에 놓인 사건들을 기반으로 확률을 구함.
-두 확률 변수의 사전 확률과 사후 확률 사이의 관계를 나타내는 정리.
-사전확률 P(A)과 우도확률 P(B|A)를 안다면 사후확률 P(A|B)를 알 수 있음.
-베이지안 확률은 아래 조건부 확률로 나타내며, 정보를 업데이트하면서 사후확률 P(A|B)를 구하는 것이다.
P(A), 사전확률(prior probability) : 결과가 나타나기 전에 결정되어 있는 A(원인)의 확률. P(B|A), 우도확률(likelihood probability) : A(원인)가 발생하였다는 조건하에서 B(결과)가 발생할 확률. P(A|B), 사후확률(posterior probability) : B(결과)가 발생하였다는 조건하에서 A(원인)가 발생하였을 확률.
3. 베이지안 확률(Bayesian probability) 계산식
-위의 정의가 나오는 계산식 과정이다.
-P(B) 값은 A와 A 여집합과 P(B) 사이의 교집합 합으로 구할 수 있다.
4. 예제
Q1) A씨가 Breast cancer 검사결과 양성으로 판정 받았다. A씨가 Breast cancer에 걸린 것으로 나올 확률은 몇 %일까?
(Breast cancer 검사의 정확도=90%)
(Breast cancer 걸릴 확률=1%)
A씨는 ‘Positive response’일 때, Breast Cancer에 걸릴 확률’을 구하는 것.
P(Breast|Positive) = P(Positive|Breast) * P(Breast) / P(Positive)
– P(Positive|Breast) = 0.9, P(Positive|no Breast) = 0.1
– P(Breast) = 0.01, P(no Breast) = 0.99
– P(Positive) = Breast일 때 Positive일 확률 + Breast이 아닐 때 Positive일 확률
= 0.9 * 0.01 + 0.1 * 0.99
= 0.108
-> P(Breast|Positive) = 0.9 * 0.01 / 0.108 = 0.083
A씨가 Breast cancer 검사에서 Positive일 경우, 실제 Breast cancer일 확률은 약 8.3% 이다.
Q2) 주어진 조건들을 이용해서 여성일 확률을 계산하자
-왼쪽부터 살펴보면,
여성일 확률이 1/2, 안경을 쓰고 여성일 확률이 1/5, 안경을 쓸 확률이 2/5 이다.
위 정보들을 조합하여 조건부확률에 적용했을 때, 안경을 쓴 사람이 여성일 확률은 1/4 이다.
-오른쪽을 살펴보면,
여성일 확률이 1/2, 머리가 길고 여성일 확률이 4/5, 머리가 길 확률이 2/3 이다.
위 정보들을 조합하여 조건부확률에 적용했을 때, 머리가 긴 사람이 여성일 확률은 3/5 이다.
마무리하며..
베이지안 확률은 머신 러닝 이해에 굉장히 중요하다.
Machine Learning은 데이터셋이 주어졌을 때, 특정 사건 혹은 가설의 확률을 높여줄 수 있는 최적의 모델을 찾는 것을 목적으로 한다.
따라서, 베이지안 모델이 주어진 정보를 업데이트 해나가면서, 최적의 사후확률을 계산하는 방식과 일맥상통한다.
다음 칼럼에서는 기계학습 과정에서 베이지안 이론을 어떤식으로 활용하는지 살펴보겠다.
베이지안 이론 (Bayesian theory) End.
BioinformaticsAndMe
위키백과, 우리 모두의 백과사전
베이즈 확률론은 베이즈 정리를 바탕으로 한 확률 해석에 기반한 확률론이다.[1] 베이즈 확률론은 확률을 일어날 수 있는 모든 경우의 수를 알고 있는 상태에서 특정한 조건의 사건이 일어날 경우의 빈도를 계산하는 고전적인 확률의 정의와 달리 어떠한 사건이 일어날 것이라는 합리적 기대의 척도로 해석한다.[2] 이에 따라 베이즈 확률론이 다루는 확률은 어떠한 지식에 대한 신뢰나 논리적 추론의 결과로 해석된다.[3]
베이즈 확률론은 어떤 사건이 일어날 확률을 구하기 위해 선험적인 가설로 설정된 사전 확률을 일정한 데이터를 통해 보완한 사후 확률로서 보정한다. 사전 확률은 아직 검증되지 않은 주관적 믿음이지만 이후 보정을 거쳐 되먹임 되기 때문에 점차 정확도가 향상된다. 한편 사후 확률은 일어난 사건의 결과를 놓고 그 결과가 나오게 된 원인을 생각하는 역방향의 확률이다. 즉 사건의 결과에서 애초의 표본 공간을 추정하는 작업이 된다. 따라서 사후 확률은 단독으로 확인할 수 없고 원인에 대한 가설과 결과 사이의 조건부 확률로 나타낼 수 밖에 없다.[4]
베이즈 확률론의 확률 해석은 참값을 알지 못하는 가설을 검증하는 명제 논리의 확장으로 이해될 수 있다.[5]
확률의 해석에는 도수 확률과 같이 시행을 통해 사건의 빈도를 측정하는 객관주의 해석과 베이즈 확률론과 같이 선험적 확률을 먼저 설정하는 주관주의 해석이 있다.[6] 베이즈 확률론은 주관주의 확률 해석의 표준으로 자리잡았다.
베이즈 확률론이라는 이름은 18세기 개신교 목사이자 수학자였던 토머스 베이즈에서 온 것이다.[7] 토머스 베이즈는 과거에 사건이 일어난 횟수 또는 일어나지 않은 횟수 만을 근거로 미래의 불확실한 사건의 확률을 알고자 하였다. 탁자 위에 구르는 공의 위치를 추정하는 사고 실험을 통해 처음에는 공의 위치를 알 지 못하여도 시행 착오를 통해 점차 정확한 위치를 추정할 수 있음을 보였다.[8] 베이즈는 자신의 이러한 추론을 훗날 포기하였으나 훗날 라플라스가 독자적으로 재발견하였다.[7]
개요 [ 편집 ]
동전 던지기나 주사위 던지기와 같이 각 사건이 독립이건 아니면 로또 6/45와 같이 종속적 사건이건 상관 없이 표본 공간과 확률 변수가 잘 정의되어 있고 모든 경우의 수를 헤아리기 쉽다면 고전적 확률 계산으로도 충분히 정확한 확률을 계산할 수 있다. 그러나 표본 공간의 크기를 짐작하기 어렵거나 확률 분포가 모호한 경우 이러한 방법으로 사건의 확률을 알아낼 수는 없다. 예를 들어 한 국가나 사회의 교통사고는 얼마나 일어날까? 교통사고는 차량의 수, 교통량, 도로의 구조 등 복잡한 원인이 얽혀 있고 표본 집단을 설정하는 것 조차 쉽지 않아 고전적인 확률 해석으로 구하기는 불가능하다. 그러나 베이즈 확률론의 방법으로는 선험적 사전 확률과 데이터에 의한 보완을 통해 교통사고가 일어날 기대값을 추정할 수 있다.[9]
게임이나 도박과 등의 특수한 경우가 아니라면 세계에서 일어나는 대부분의 사건들은 결과만이 주어져 있을 뿐 그것의 원인이 되는 확률 변수나 사건들의 확률 분포가 명확하지 않다. 이 때문에 베이즈 확률론은 각종 과학 분야와 통계에서 실용적인 문제 해결의 방법으로 쓰인다. 어떠한 사건에 대한 가설을 설정하면 베이즈 확률론은 그 가설이 참일 가능성을 계산할 수 있다. 이를 가능도라고 한다.[10]
베이즈 정리 [ 편집 ]
이 부분의 본문은 이 부분의 본문은 베이즈 정리 입니다.
베이즈 정리는 사전 확률과 가능도를 데이터에 적용하여 사후 확률을 확인하는 조건부 확률이다.[11]
서로 종속인 사건 A와 B가 있다고 하자. 사건 A가 일어날 확률은 P ( A ) {\displaystyle P(A)} 로 나타낼 수 있고 사건 B가 일어날 확률은 P ( B ) {\displaystyle P(B)} 로 나타낼 수 있다. 이때 사건 B가 관측되었을 때 그 원인이 사건 A일 확률은 조건부 확률 P ( A | B ) {\displaystyle P(A|B)} 가 된다. 한편 사건 A가 주어졌을 때 시간 B가 나타날 조건부 확률은 P ( B ∣ A ) {\displaystyle P(B\mid A)} 이다. 이제 B가 나타났을 때 A가 그 원인이 되는 조건부 확률 P ( A ∣ B ) {\displaystyle P(A\mid B)} 는 다음과 같이 정리될 수 있다.[12]
P ( A ∣ B ) = P ( B ∣ A ) P ( A ) P ( B ) {\displaystyle P(A\mid B)={\frac {P(B\mid A)P(A)}{P(B)}}}
위 식에서 P ( A ) {\displaystyle P(A)} 와 P ( B ) {\displaystyle P(B)} 를 모두 알고 있다고 하더라도 P ( B ∣ A ) {\displaystyle P(B\mid A)} 는 가능도의 설정을 통하여 정할 수 밖에 없기 때문에[13] 베이즈 확률론은 주관적 해석을 거칠 수 밖에 없다. 그러나 베이즈 추론을 통하여 사후 확률을 사전 확률로 갱신하고 반복적인 계산을 수행하면 현실에 부합하는 합리적인 가능도를 추론할 수 있다.
객관주의와 주관주의 [ 편집 ]
베이즈 확률론은 크게 보아 두 가지 관점에서 해석할 수 있다. 객관주의적 해석으로 콕스 정리는 확률을 동일한 정보와 규칙을 사용하는 누구나(심지어 로봇이라도) 합리적 예측으로 수량화시킬 수 있는 것으로 파악한다. 이에 따르면 확률은 논리의 확장이다.[14][15] 한편 확률을 개인적 믿음과 결부하는 주관주의적 해석이 있다.[16] 주관주의적 해석은 확률을 도출한 과정이 얼마나 합리적이었는지 그리고 일관성을 갖추었는 지에 따라 개인마다 차이를 보일 수 있다. 주관주의적 해석은 결정 이론과 데 피네티 정리에 따라 정당화 되지만 사기 도박에서 탄을 사용하는 것과 같은 상황에서 잘못 판단할 위험이 있다.[16]
이처럼 베이즈 확률론은 확률을 구하는 과정의 정합성을 보는 객관주의적 해석과 그 결과에 대한 신뢰를 평가하는 주관주의적 해석을 바탕으로 한다. 이 때문에 베이즈 확률론은 종종 잘못된 믿음마저 정당화 할 수 있다는 비판을 받는데, 예를 들어 누군가 정육면체 주사위를 던져 3이 나올 확률을 1⁄6이 아니라 5⁄6로 생각한다고 하더라도 그의 주관을 비난할 수 없지 않느냐는 주장이 있다. 물론 이런 믿음으로 게임을 하는 사람은 반드시 패할 수 밖에 없다.[17] 그러나 주관주의 확률 해석은 선험적 사전 확률의 설정에 그치는 것이 아니라 시행의 과정에서 역확률을 다시 계산함으로써 사전 확률을 조정하는 것이 더 중요하기 때문에 일회적 오류만으로 베이즈 확률론을 부정하는 것은 의미가 없다.
역사 [ 편집 ]
토머스 베이즈에 의해 시작된 베이즈 확률론은 오랜 세월 동안 잊혀졌다 다시 발견되기를 반복하였다. 그 사이 베이즈는 잊혀졌으며 이론의 이름마저 정립되지 않아 “역확률 이론” 등의 여러 이름으로 불렸다. 1950년대에 이르러 베이즈 정리가 정립된 이후에야 베이즈 확률론이라는 이름도 정착되었다.[8]
토머스 베이즈는 자신의 발견을 〈우연의 원리로 가장 어려운 문제 가운데 하나를 해결하는 불완전한 해법〉이라는 논문으로 정리하여 두었으나 생전에 발표하지는 않았다. 베이즈와 평소 친분이 있던 리처드 프라이스는 베이즈 사후에 유족들의 요청으로 베이즈가 남긴 저작물을 살피다가 이 논문을 발견하였고 이것이 데이비드 흄의 논리실증주의에 대한 반박으로 쓰일 수 있음을 간파하였다. 베이스의 논문을 사펴 본 프라이스는 보다 엄밀한 논리를 사용하고 베이즈의 여러 오류를 바로 잡은 뒤 1763년 왕립학회에 베이즈의 이름으로 〈우연의 원리로 문제를 해결하는 방법에 대한 소론〉(An Essay towards solving a Problem in the Doctrine of Chances)을 발표하였다.[8][18] 이 논문은 한 가지 사례에서 베르누이 시행을 통한 베타 분포를 분석하여 확률을 구하는 방법을 서술하고 있다. 그러나 베이즈의 이 논문은 그다지 큰 반향을 이끌어 내지 못하였고 베이즈의 발견은 잊혀졌다.
1749년 태어난 피에르 시몽 라플라스는 계몽주의 시대의 핵심 인물 가운데 한 명이다. 그는 뉴턴 역학과 천체 관측 값 사이의 차이를 메울 방법으로 확률 해석에 주목하였다. 뉴턴 역학에 따른 행성 위치 예측의 정확도는 그간 관찰되어 온 관측 기록에 의존하였다. 라플라스 당시 유럽에서 사용된 관측 기록은 기원전 1100년 무렵 중국 상나라의 기록부터 기원전 600년 무렵 칼데아인의 기록, 기원전 200년 무렵 고대 그리스의 기록, 기원전 100년 무렵의 고대 로마의 기록까지 다양하였는데 각 기록의 정확도가 서로 달랐기 때문에 이를 모두 동일한 수준에서 받아드릴 수는 없었다. 또한 각 기록을 바탕으로 연속적인 데이터를 작성하면 목성의 공전 주기는 점점 더 빨라지고 토성의 공전 주기는 점점 더 느려지고 있는 것처럼 보였다. 라플라스는 이러한 문제를 해결하기 위해 현재의 행성 위치에 따른 과거 행성 위치를 조건부 확률인 역확률로 계산하고자 하였다. 과거의 기록이 이 역확률 계산에 보다 부합하면 신뢰할만한 기록으로 평가할 수 있다.[8] 라플라스는 행성들의 과거 기록 데이터를 이용하여 다음과 같은 역확률 함수 ϕ ( x ) {\displaystyle \phi (x)} 를 작성하여 확률분포도를 계산하였다.[19]
ϕ ( x ) = m 2 e − m | x | {\displaystyle \phi (x)={\frac {m}{2}}e^{-m|x|}} x = 실제 위치와 데이터 상의 오차 거리, m = 매개 변수
라플라스는 이를 이용하여 동일한 시간대의 여러 관측 데이터의 확률 분포를 구하고 중앙값을 계산하였다. 이로서 특정 시기의 행성 위치 데이터는 확률적 신뢰도에 따라 구분될 수 있다.[19] 라플라스 이후 베이즈 확률론은 흔히 “역확률”로 불리게 되었는데 현재 주어진 데이터를 통해 과거의 상태 또는 원인의 확률을 계산하기 때문이었다.[20]
역확률은 조건부 확률로 계산되기 때문에 주어진 데이터를 통한 역확률의 계산에서 데이터의 확률 분포는 매우 중요한 참조 값이 된다. 예를 들어 발병율이 0.5 %인 질병의 경우 양성 판정이 나왔다 하더라도 실제 병에 걸린 확률은 약 32.3 %에 불과하다. 발병율의 확률 분포가 조건부 확률의 계산에 큰 영향을 미치기 때문이다.[21] 가우스는 정규 분포의 개념을 확립하여 역확률 개념을 발전시켰다.[22] 라플라스와 가우스가 발전시킨 중심 극한 정리는 주어진 데이터의 수가 충분히 크다면 해당 데이터의 확률 분포는 정규 분포를 따른다는 것을 보여 준다.
19세기 공리주의는 확률과 역확률을 달갑게 보지 않았다. 존 스튜어트 밀은 확률을 “과학으로 위장한 무지”라고 혹평하였다.[23] 이후 베이즈 확률론을 공격한 빈도주의 확률론은 확률을 객관적으로 발생하는 사건의 빈도로 정의하고자 하였고 제임스 클러크 맥스웰은 빈도주의를 기반으로 통계역학을 정립하였다. 이후 베이즈 확률론은 오랫동안 비주류의 위치에 있었지만 인구와 산업 등의 각종 사회 현상을 다루는 분야에선 여전히 사용되었다.[8]
19세기 말 드레퓌스 사건은 프랑스 지식인 사회에 큰 충격을 주었다. 반유대주의의 영향 속에 불충분한 증거만으로 드레퓌스에게 종신형이 선고되자 수 많은 지식인들이 그의 무죄를 주장하였고 그 속에는 수학자 앙리 푸앵카레도 있었다. 20세기 초 재심 운동이 한창이던 1906년 푸앵카레는 다음과 같은 일기를 남겼다.[24]
몹시 화가 난다. 알프레드 드레퓌스는 첩자가 아니다. …… 나는 법원의 판결이 틀렸음을 수학적으로 증명하는 편지를 썼다. — 앙리 푸엥카레
푸엥카레는 베이즈 확률론을 이용하여 법정에서 증거로 선택된 편지를 쓴 사람이 드레퓌스일 확률이 지극히 희박하다는 것을 증명하였다.[25] 한편 실제 첩자였던 에스테라지는 이미 발각되었지만 군부는 자신들의 실수를 덮기 위해 그를 무죄로 방면한 상태였다. 드레퓌스는 재심에서 5년 형을 선고 받았으나 곧 사면 복권되었다.
20세기 초 베이즈 확률론은 탄도학과 같은 실용적인 분야에서 여전히 사용되고 있었지만 대부분의 과학 분야에서 비주류에 머무르고 있었다. 1920년대 베이즈 확률론은 여러 분야에서 독자적으로 적용되고 있었다. 존 메이너드 케인스는 논리학을 확률론적으로 확장시키면서 선험적 확률을 도입하였다. 이는 베이즈 확률론의 주관주의적 해석에 기반한 것이었다.[26] 1930년대 이탈리아의 브루노 데 피네티는 교환 가능성이라는 개념을 통해 사전 확률 분포를 수학적으로 설명하였다. 그러나 데 피네티 정리는 그리 큰 영향력을 발휘하지 못하여 레너드 새비지가 다시 도입할 때까지 사장되어 있었다.[26]
헤럴드 제프리스는 1939년 《확률 이론》을 발간하여 베이즈 확률론을 다시 주류 수학계에 등장시켰다. 제프리스는 베이즈 확률론을 기하학의 피타고라스 정리에 비유하였다.[1]
기하학에 피타고라스 정리가 있다면 확률론에는 베이즈 정리가 있다. — 헤럴드 제프리스
제프리스는 객관적인 사전 확률 결정을 위해 피셔 정보를 도입하였는데 이로서 베이즈 확률론은 보다 오차율이 적은 사전 확률의 규모를 정할 수 있게 되었다. 자료에 대한 객관적 접근 때문에 제프리스의 방식을 객관주의 베이즈 확률론이라고 한다.[26] 제2차 세계 대전 중 나치 독일의 에니그마 암호 체계를 해독한 앨런 튜닝은 영어의 a/an 에 해당하는 독일어 ein 이 암호문에서 90 %의 분포를 보인다는 것을 암호 해독에 이용하였다. 알파벳 3개로 이루어진 암호문이라면 일단 ein으로 가정하고 에니그마의 세팅을 추측하는 시도를 하였는데 이렇게 선험적으로 가설을 추정하고 확률 분포에 따라 시행해 보는 방법은 베이즈 확률론과 같은 것이지만, 튜링이 베이즈 확률론을 알고 있었는 지는 알 수 없지만, 튜링의 방법을 이어받아 암호를 해독한 정보기관들은 20세기 중반 무렵 베이즈 확률론에 따른 암호 해독 체계를 이용하였다. 그러나, 이들의 작업은 국가 비밀이었기 때문에 외부로 알려지지 않았다.[8]
이후 에이브러햄 왈드와 레너드 세비지에 의해 발전하게 된 베이즈 확률론은 1950년대에 이르러서야 이전에 쓰이던 “역확률” 등의 이름 대신 자신의 이름으로 “베이즈 확률론”을 얻게 되었다. 1960년대에는 18세기의 그것과 구분하기 위해 “신베이즈 확률론”이라는 명칭이 쓰였다.[27][28][29]
객관주의적 해석에서 통계 분석은 오직 예측과 데이터 분석에 의존하며[30] 주관적 결정이 끼어들 여지가 없다. 이에 대해 주관주의적 해석을 지지하는 통계학자들은 일반적 사례를 모두 분석할 수 있는 객관적 데이터는 확보할 수 없다고 반박한다.
1950년대 사회 보험의 설계와 같은 부분에서 사용되었으나[8] 사회 전반에선 여전히 널리 쓰이지 않던 베이즈 확률론은 1980년대에 이르러 마르코프 연쇄 몬테카를로 방법이 개발 된 이후 획기적으로 적용 분야가 늘어나게 되었다.[31] 여전히 빈도주의 확률 해석이 확률론 교육의 기반으로 자리잡고 있었지만[32] 베이즈 확률론에 따른 응용 분야는 점차 확대되었다. 1989년 도입된 기브스 표집은 베이즈 확률론에 따른 확률 분포를 보다 쉽게 적용할 수 있도록 하였고 이후 수 많은 다른 표집들이 개발되는 계기가 되었다.[26]
21세기에 들어 인공 지능의 기계 학습이 주요한 이슈로 떠오르면서 베이즈 확률론이 적용되고 있다.[33]
베이즈 확률론의 정당화 [ 편집 ]
과학의 많은 분야에서 베이즈 확률론은 여전히 일각을 차지할 뿐이다. 1995년 이후 2014년까지 가장 많이 인용된 통계학 논문 15편 가운데 베이즈 확률론을 바탕으로 하는 것은 1⁄3 인 5 편 뿐이다.[26] 베이즈 확률론의 핵심인 베이즈 추론은 콕스 정리, 결정 이론, 데 피네티 정리 등에 의해 정당화 된다.
응용 분야 [ 편집 ]
베이즈 통계학 [ 편집 ]
이 부분의 본문은 이 부분의 본문은 베이즈 통계학 입니다.
베이즈 통계학은 베이즈 확률론에 기반하여 모집단을 확률 변수처럼 취급하여 주어진 데이터로부터 원인을 추정하는 통계 기법이다.[34] 베이즈 확률론의 대표적인 응용분야이다. 기후 변화에 따른 위험 요소 평가부터[35] 각종 의학 연구에 이르기 까지[36] 광범위하게 사용되고 있다.
게임 이론 [ 편집 ]
이 부분의 본문은 이 부분의 본문은 베이즈 게임 입니다.
죄수의 딜레마와 같은 고전적 게임 이론에서 참가자는 선택할 경우의 수를 모두 알고 있고 그 속에서 가장 유리한 방법을 찾는다. 그러나 모든 정보를 알지 못한다면 참가자는 주어진 정보 만으로 최적의 행동을 결정해야 한다. 이와 같이 베이즈 확률론에 입각하여 참가자의 상호 작용을 모형화하는 것을 베이즈 게임이라고 한다.[37]
같이 보기 [ 편집 ]
외부 링크 [ 편집 ]
베이지안 이론 (Bayesian Theroy) 이란?
말도 많고 탈도 많은 베이지안.
머신러닝 이니 인공지능이니 이런것들이 뜰수록 덩달아 자주 사람들입에 오르 내리는게 베이지안(bayesian) 이다.
수식을 가지고 어렵게 이야기하지만, 기초적인 개념을 소홀히 하고 있는 것 같아, 정리차 포스팅 한다.
1. 베이지안 확률 (Bayesian Probability)
베이지안 확률이란 무엇인가? 기존에 우리가 알고 있는 확률과는 다른것인가?
동전을 1000회 던졌을 때, 앞면이 나오는 횟수는 대략 500회 로 기대할수있다. 전통적인 확률 계산은
이렇게 표현한다. 일어난횟수/전체시도횟수
이런 확률론을 frequentist probability , 경험 확률 라고 한다. 일정한 확률로 반복시행이 충분히 가능한 많은 경우가 이에 해당도니다.
그러면, A라는 도시에서 철수라는 아이가 태어났는데 이 아이가 노벨상을 받을 확률은 얼마나 될까? 이 확률을 빈도확률로 이야기 하기 위해서는 이 아이를 여러번 살게 시키고 그중에 몇 번 노벨상을 받았는가를 평가 해야 한다. 또는 이와 동일한 아이가 전세계에 몇명이 있는지 파악하고, 몇명이 커서 노벨상을 받았는가를 평가해야 하는데, 동일한 유전자, 동일한 환경에서 자란 아이란 있을 수 없음으로 불가능 하다 하겠다.
이런경우, 베이지안 확률론으로 이야기 해야 되는데, 이것은 일어나지 않은 일에 대한 확률을 불확실성(uncertainty)의 개념으로 이야기 해야 한다.
즉, 이 사건과 관련있는 어려가지 확률을 이용하여 새롭게 일어날수있는 사건에 대한 추정 을 하는것이라 하겠다.
따라서 이러한 일들을 베이즈 이론, Bayesian theory, 베이즈 추론 Bayesian inference 등으로 말하는 것이다.
2. 베이지안 이론(Bayesian Theory)
베이즈 법칙(Bayesian Law) 또는 베이즈 이론(Bayesian Theory) 를 간단히 말하자면
사전확률 p(A) 과 우도확률 p(B|A)를 안다면 사후확률 p(A|B)를 알 수있다는 것이다.
이해 하기 쉽게 한가지 예를 들자면,
어떤 청바지가 적재되는 청바지 창고가 있다. 사장이 와서 이 창고의 청바지 하나를 골라서 살펴보았는데 이 청바지 불량이었다.
그런데 이 창고의 청바지는 구미 , 청주, 대구 3군데 공장에서 생산되어서 운송되어져 온다. 그렇다면 이 불량 청바지는 어떤 공장에서 생산된 것일까?
이미 사건이 일어났고(창고의 불량 청바지), 사건발생의 원인에 대한 확률(사후확률, 이 창고의 불량 청바지는 어떤 공장에서 불량생산되어 온것일까?) 을 사건발생전에 이미 알고 있는 정보(사전확률, 구미, 청주, 대구 공장의 불량률)을 이용하여 구하는 것이라 하겠다.
*정리
– 사후확률 분포 : 사건 발생후 그 사건의 원인이 발생 할 수 있는 사건이 무엇인지 추정하여 그 가능성을 나타내는 변수의 붆포를 의미
– 사전확률 분포 : 사건발생 전 사건의 원인이 될 수있는 사건들에 대한 분포
수식을 통해 보면,
결과 B (창고에서 불량 청바지가 발견) 을 발생시키는 원인들이 A1(구미공장 불량), A2(청주공장불량), A3(대구공장불량) 라 한다.
사전확률 P(A1), P(A2) , P(A3)와 우도확률 (Likelihood) P(B|A1) , P(B|A2), P(B|A3) 는 이미 알려져 있다고 하자.
위 수식은
결과 B가 발생했는 조건 하에서 원인 Ai가 발생하였을 확률을 구하는 것이다.
위 와 같이 P(A|B) = p(A and B) / P(B) 가 P(A|B) = P(A)P(B|A)/P(B)
로 정의 되어 질 수 있는데
이는
로 순서를 바꿔서 적을 수 있다.
이 수식을 해석해 보면
P(A)가 구미공장에서 생산되는 청바지의 불량률이라고 하고,
P(B)가 물류 창고에서 불량 청바지가 발생하하는 확률이라고 하자.
특정사건에 대한 기존의 불확실성인 P(A),(구미공장에서 생산되는 청바지의 불량률) 에 추가적인 단서 B가 발생함에 따라, P(B| A)/P(B) 라는 수치가 P(A)에 곱해진다. 그 결과 P(A|B)라는 조건부 확률의 모양으로 업데이트 되는 것이다.
여기서 P(A|B)는 사후확률 Posterior 또는 Posterior belief
P(A)는 Prior, 또는 prior belief
P(B)는 Evidence
P(B|A)는 Likelihood라고 한다.
P(B)는 단순히 상수개념이기 때문에 전체식에서 무시해도 이해하는데 무방하다..
다시 해석해 보면,,
특정사건A의 확률에 대해서 기존에 가지고 있던 확률값은 Likelihood인데, 해당사건이 일어난 상황에서 (B), 주어진 데이터가 관찰될 확률 P(B|A) 가 높을 수록 더 높은 posterior로 업데이트 된다고 말 할 수 있다.
반응형
So you have finished reading the 베이지안 topic article, if you find this article useful, please share it. Thank you very much. See more: 베이지안 추론, 베이지안 머신러닝, 베이지안 기법, 베이지안 추정, 베이지안 통계 란, 베이지안 업데이트, 베이지안 분석, 베이지안 알고리즘