์ด ๊ธฐ์ฌ์์๋ ๋ณํ์ ์ด๋ก ์ ๊ณ์ฐ์ ๋ถ์ํฉ๋๋ค. ์ ํ ํ๊ท ํจ์ ะฒ ์ญ๋ก์ง ๋ณํ ํจ์(๋ก์ง์คํฑ ๋ฐ์ ํจ์๋ผ๊ณ ๋ ํจ). ๊ทธ๋ผ ๋ฌด๊ธฐ๊ณ ๋ฅผ ์ด์ฉํด์ ์ต๋์ฐ๋๋ฒ, ๋ก์ง์คํฑ ํ๊ท ๋ชจ๋ธ์ ๋ฐ๋ผ ์์ค ํจ์๋ฅผ ๋์ถํฉ๋๋ค. ๋ฌผ๋ฅ ์์ค์ฆ, ๋ก์ง์คํฑ ํ๊ท ๋ชจ๋ธ์์ ๊ฐ์ค์น ๋ฒกํฐ์ ๋งค๊ฐ๋ณ์๋ฅผ ์ ํํ๋ ํจ์๋ฅผ ์ ์ํฉ๋๋ค. .
๊ธฐ์ฌ ๊ฐ์:
- ๋ ๋ณ์ ์ฌ์ด์ ์ ํ ๊ด๊ณ๋ฅผ ๋ฐ๋ณตํด ๋ณด๊ฒ ์ต๋๋ค.
- ๋ณํ์ ํ์์ฑ์ ํ์ ํด๋ณด์ ์ ํ ํ๊ท ํจ์ ะฒ ๋ฌผ๋ฅ ์๋ต ๊ธฐ๋ฅ
- ๋ณํ๊ณผ ์ถ๋ ฅ์ ์ํํด ๋ด ์๋ค ๋ฌผ๋ฅ ์๋ต ๊ธฐ๋ฅ
- ๋งค๊ฐ๋ณ์๋ฅผ ์ ํํ ๋ ์ต์์ ๊ณฑ๋ฒ์ด ์ ๋์์ง ์ดํดํด ๋ด ์๋ค. ๊ธฐ๋ฅ ๋ฌผ๋ฅ ์์ค
- ์ฐ๋ฆฌ๋ ์ฌ์ฉ ์ต๋์ฐ๋๋ฒ ๊ฒฐ์ ํ๊ธฐ ์ํด ๋งค๊ฐ๋ณ์ ์ ํ ๊ธฐ๋ฅ :
5.1. ์ฌ๋ก 1: ๊ธฐ๋ฅ ๋ฌผ๋ฅ ์์ค ํด๋์ค ์ง์ ์ด ์๋ ๊ฐ์ฒด์ ๊ฒฝ์ฐ 0 ะธ 1:
5.2. ์ฌ๋ก 2: ๊ธฐ๋ฅ ๋ฌผ๋ฅ ์์ค ํด๋์ค ์ง์ ์ด ์๋ ๊ฐ์ฒด์ ๊ฒฝ์ฐ -1 ะธ +1:
์ด ๊ธฐ์ฌ์๋ ๋ชจ๋ ๊ณ์ฐ์ ๊ตฌ๋๋ก ๋๋ ์ข
์ด๋ก ์ฝ๊ฒ ์ํํ ์ ์๋ ๊ฐ๋จํ ์๊ฐ ํ๋ถํ๋ฉฐ ๊ฒฝ์ฐ์ ๋ฐ๋ผ ๊ณ์ฐ๊ธฐ๊ฐ ํ์ํ ์๋ ์์ต๋๋ค. ๊ทธ๋ฌ๋ ์ค๋นํ์ธ์ :)
์ด ๋ฌธ์๋ ์ฃผ๋ก ๊ธฐ๊ณ ํ์ต์ ๊ธฐ์ด์ ๋ํ ์ด๊ธฐ ์ง์ ์์ค์ ๊ฐ์ถ ๋ฐ์ดํฐ ๊ณผํ์๋ฅผ ๋์์ผ๋ก ํฉ๋๋ค.
์ด ๊ธฐ์ฌ์์๋ ๊ทธ๋ํ ๊ทธ๋ฆฌ๊ธฐ ๋ฐ ๊ณ์ฐ์ ์ํ ์ฝ๋๋ ์ ๊ณตํฉ๋๋ค. ๋ชจ๋ ์ฝ๋๋ ํด๋น ์ธ์ด๋ก ์์ฑ๋ฉ๋๋ค. ํ์ด์ฌ 2.7. ์ฌ์ฉ๋ ๋ฒ์ ์ "์ฐธ์ ํจ"์ ๋ํด ๋ฏธ๋ฆฌ ์ค๋ช ํ๊ฒ ์ต๋๋ค. ์ด๋ ๋ค์์์ ์ ์๋ ค์ง ๊ณผ์ ์ ์๊ฐํ๊ธฐ ์ํ ์กฐ๊ฑด ์ค ํ๋์ ๋๋ค. ์๋ฑ์ค ๋๊ฐ์ด ์ ์๋ ค์ง ์จ๋ผ์ธ ๊ต์ก ํ๋ซํผ์์ Coursera, ๊ทธ๋ฆฌ๊ณ ์ง์ํ ์ ์๋ฏ์ด ์๋ฃ๋ ์ด ๊ณผ์ ์ ๊ธฐ๋ฐ์ผ๋ก ์ค๋น๋์์ต๋๋ค.
01. ์ง์ ์์กด์ฑ
์ง๋ฌธ์ ํ๋ ๊ฒ์ ๋งค์ฐ ํฉ๋ฆฌ์ ์ ๋๋ค. ์ ํ ์์กด์ฑ๊ณผ ๋ก์ง์คํฑ ํ๊ท๊ฐ ๊ทธ๊ฒ๊ณผ ์ด๋ค ๊ด๋ จ์ด ์์ต๋๊น?
๊ฐ๋จ ํด! ๋ก์ง์คํฑ ํ๊ท๋ ์ ํ ๋ถ๋ฅ๊ธฐ์ ์ํ๋ ๋ชจ๋ธ ์ค ํ๋์ ๋๋ค. ๊ฐ๋จํ ๋งํด์ ์ ํ ๋ถ๋ฅ๊ธฐ์ ์์ ์ ๋ชฉํ ๊ฐ์ ์์ธกํ๋ ๊ฒ์ ๋๋ค. ๋ณ์(ํ๊ท์)์์ . ํน์ฑ ๊ฐ์ ์์กด์ฑ์ด ์๋ค๊ณ ๋ฏฟ์ด์ง๋๋ค. ๋ฐ ๋ชฉํ๊ฐ ์ ์. ๋ฐ๋ผ์ ๋ถ๋ฅ๊ธฐ์ ์ด๋ฆ์ ์ ํ์ ๋๋ค. ์์ฃผ ๋๋ต์ ์ผ๋ก ๋งํ๋ฉด, ๋ก์ง์คํฑ ํ๊ท ๋ชจ๋ธ์ ํน์ฑ ์ฌ์ด์ ์ ํ ๊ด๊ณ๊ฐ ์๋ค๋ ๊ฐ์ ์ ๊ธฐ๋ฐ์ผ๋ก ํฉ๋๋ค. ๋ฐ ๋ชฉํ๊ฐ . ์ด๊ฒ์ด ์ฐ๊ฒฐ์ ๋๋ค.
์คํ๋์ค์ ์ฒซ ๋ฒ์งธ ์๊ฐ ์๋๋ฐ, ๊ทธ๊ฒ์ ์ ํํ๊ฒ ์ฐ๊ตฌ๋๋ ์์ ์ง์ ์์กด์ฑ์ ๊ดํ ๊ฒ์ ๋๋ค. ๊ธฐ์ฌ๋ฅผ ์ค๋นํ๋ ๊ณผ์ ์์ ๋๋ ์ด๋ฏธ ๋ง์ ์ฌ๋๋ค์ ๋ถ์ํ๊ฒ ๋ง๋ ์, ์ฆ ์ ์์ ๋ํ ์ ๋ฅ์ ์์กด์ฑ์ ๋ฐ๊ฒฌํ์ต๋๋ค. (โ์์ฉ ํ๊ท ๋ถ์โ, N. Draper, G. Smith). ์ฌ๊ธฐ์๋ ์ดํด๋ณด๊ฒ ์ต๋๋ค.
์ ๋ฐ๋ผ ์ด์ ๋ฒ์น:
์ด๋์์ - ํ์ฌ ๊ฐ๋, - ์ ์, - ์ ํญ.
์ฐ๋ฆฌ๊ฐ ๋ชฐ๋๋ค๋ฉด ์ด์ ๋ฒ์น, ๊ทธ๋ฌ๋ฉด ์ฐ๋ฆฌ๋ ๋ค์์ ๋ณ๊ฒฝํ์ฌ ๊ฒฝํ์ ์ผ๋ก ์์กด์ฑ์ ์ฐพ์ ์ ์์ต๋๋ค. ๊ทธ๋ฆฌ๊ณ ์ธก์ , ์ง์ํ๋ฉด์ ๊ฒฐ์ ๋. ๊ทธ๋ฌ๋ฉด ์์กด์ฑ ๊ทธ๋ํ๋ฅผ ๋ณผ ์ ์์ต๋๋ค. ๋ถํฐ ์์ ์ ํต๊ณผํ๋ ๋ค์ ์ง์ ์ ์ ๊ณตํฉ๋๋ค. "๋ค์"๋ผ๊ณ ๋งํ๋ ์ด์ ๋ ๊ด๊ณ๊ฐ ์ค์ ๋ก ์ ํํ๋๋ผ๋ ์ธก์ ๊ฐ์ ์์ ์ค๋ฅ๊ฐ ํฌํจ๋ ์ ์์ผ๋ฏ๋ก ๊ทธ๋ํ์ ์ ์ด ์ ์ ์ ํํ๊ฒ ์์นํ์ง ์๊ณ ๋ฌด์์๋ก ํฉ์ด์ ธ ์์ ์ ์๊ธฐ ๋๋ฌธ์ ๋๋ค.
๊ทธ๋ํ 1 โ์์กด์ฑโ ๋ถํฐ ยป
์ฐจํธ ๊ทธ๋ฆฌ๊ธฐ ์ฝ๋
import matplotlib.pyplot as plt
%matplotlib inline
import numpy as np
import random
R = 13.75
x_line = np.arange(0,220,1)
y_line = []
for i in x_line:
y_line.append(i/R)
y_dot = []
for i in y_line:
y_dot.append(i+random.uniform(-0.9,0.9))
fig, axes = plt.subplots(figsize = (14,6), dpi = 80)
plt.plot(x_line,y_line,color = 'purple',lw = 3, label = 'I = U/R')
plt.scatter(x_line,y_dot,color = 'red', label = 'Actual results')
plt.xlabel('I', size = 16)
plt.ylabel('U', size = 16)
plt.legend(prop = {'size': 14})
plt.show()
02. ์ ํํ๊ท์์ ๋ณํ ํ์์ฑ
๋ ๋ค๋ฅธ ์๋ฅผ ์ดํด๋ณด๊ฒ ์ต๋๋ค. ์ฐ๋ฆฌ๊ฐ ์ํ์์ ์ผํ๊ณ ์ฐ๋ฆฌ์ ์๋ฌด๊ฐ ํน์ ์์ธ์ ๋ฐ๋ผ ์ฐจ์ฉ์ธ์ด ๋์ถ๊ธ์ ์ํํ ๊ฐ๋ฅ์ฑ์ ๊ฒฐ์ ํ๋ ๊ฒ์ด๋ผ๊ณ ๊ฐ์ ํด ๋ณด๊ฒ ์ต๋๋ค. ์์ ์ ๋จ์ํํ๊ธฐ ์ํด ์ฐจ์ฉ์ธ์ ์๊ธ๊ณผ ์๋ณ ๋์ถ ์ํ์ก์ด๋ผ๋ ๋ ๊ฐ์ง ์์๋ง ๊ณ ๋ คํฉ๋๋ค.
์์ ์ ๋งค์ฐ ์กฐ๊ฑด์ ์ด์ง๋ง ์ด ์๋ฅผ ํตํด ์ฌ์ฉํ๊ธฐ์ ์ถฉ๋ถํ์ง ์์ ์ด์ ๋ฅผ ์ดํดํ ์ ์์ต๋๋ค. ์ ํ ํ๊ท ํจ์, ๋ํ ํด๋น ๊ธฐ๋ฅ์ ์ฌ์ฉํ์ฌ ์ด๋ค ๋ณํ์ ์ํํด์ผ ํ๋์ง ์์๋ณด์ธ์.
์๋ก ๋์๊ฐ ๋ณด๊ฒ ์ต๋๋ค. ๊ธ์ฌ๊ฐ ๋์์๋ก ์ฐจ์ฉ์ธ์ ๋์ถ ์ํ์ ์ํด ๋งค๋ฌ ๋ ๋ง์ ๊ธ์ก์ ํ ๋นํ ์ ์๋ ๊ฒ์ผ๋ก ์ดํด๋ฉ๋๋ค. ๋์์, ํน์ ๊ธ์ฌ ๋ฒ์์ ๋ํด ์ด ๊ด๊ณ๋ ๋งค์ฐ ์ ํ์ ์ ๋๋ค. ์๋ฅผ ๋ค์ด ๊ธ์ฌ ๋ฒ์๊ฐ 60.000 RUR์์ 200.000 RUR์ด๊ณ ์ง์ ๋ ๊ธ์ฌ ๋ฒ์์์ ๊ธ์ฌ ํฌ๊ธฐ์ ๋ํ ์๋ณ ์ง๋ถ์ก ํฌ๊ธฐ์ ์์กด์ฑ์ด ์ ํ์ด๋ผ๊ณ ๊ฐ์ ํด ๋ณด๊ฒ ์ต๋๋ค. ์ง์ ๋ ์๊ธ ๋ฒ์์ ๋ํด ๊ธ์ฌ ๋ ์ง๋ถ ๋น์จ์ด 3 ์ดํ๋ก ๋จ์ด์ง ์ ์์ผ๋ฉฐ ์ฐจ์ฉ์ธ์ ์ฌ์ ํ โโ5.000 RUR์ ์๋น๊ธ์ ๋ณด์ ํด์ผ ํ๋ค๋ ๊ฒ์ด ๋ฐํ์ก๋ค๊ณ ๊ฐ์ ํด ๋ณด๊ฒ ์ต๋๋ค. ๊ทธ๋ฆฌ๊ณ ์ด ๊ฒฝ์ฐ์๋ง ์ฐจ์ฉ์ธ์ด ์ํ์ ๋์ถ๊ธ์ ์ํํ๋ค๊ณ ๊ฐ์ ํฉ๋๋ค. ๊ทธ๋ฌ๋ฉด ์ ํ ํ๊ท ๋ฐฉ์ ์์ ๋ค์๊ณผ ๊ฐ์ ํ์์ ์ทจํฉ๋๋ค.
์ด๋์์ , , , - ๋ด๊ธ -๋ฒ์งธ ์ฐจ์ฉ์ธ, - ๋์ถ๊ธ ์ง๋ถ -๋ฒ์งธ ์ฐจ์ฉ์ธ.
๊ณ ์ ๋งค๊ฐ๋ณ์๋ฅผ ์ฌ์ฉํ์ฌ ๊ธ์ฌ ๋ฐ ๋์ถ๊ธ ์ง๋ถ์ ๋ฐฉ์ ์์ ๋์ฒด ๋์ถ์ ๋ฐํํ ์ง ๊ฑฐ๋ถํ ์ง ๊ฒฐ์ ํ ์ ์์ต๋๋ค.
์์ผ๋ก๋ ์ฃผ์ด์ง ๋งค๊ฐ๋ณ์๋ฅผ ์ฌ์ฉํ์ฌ ์ ํ ํ๊ท ํจ์, ์์ ์ฌ์ฉ๋จ ๋ฌผ๋ฅ ์๋ต ๊ธฐ๋ฅ ๋์ถ ์ํ ํ๋ฅ ์ ๊ฒฐ์ ํ๊ธฐ ์ํด ๊ณ์ฐ์ ๋ณต์กํ๊ฒ ๋ง๋๋ ํฐ ๊ฐ์ ์์ฑํฉ๋๋ค. ๋ฐ๋ผ์ ๊ณ์๋ฅผ 25.000๋ฐฐ๋ก ์ค์ด๋ ๊ฒ์ด ์ ์๋ฉ๋๋ค. ๊ณ์์ ์ด๋ฌํ ๋ณํ์ ๋์ถ ๋ฐํ ๊ฒฐ์ ์ ๋ณ๊ฒฝํ์ง ์์ต๋๋ค. ๋ฏธ๋๋ฅผ ์ํด ์ด ์ ์ ๊ธฐ์ตํ์. ํ์ง๋ง ์ด์ ์ฐ๋ฆฌ๊ฐ ๋งํ๋ ๋ด์ฉ์ ๋์ฑ ๋ช ํํ๊ฒ ํ๊ธฐ ์ํด ์ธ ๋ช ์ ์ ์ฌ์ ์ฐจ์ฉ์ธ์ด ์๋ ์ํฉ์ ๊ณ ๋ คํด ๋ณด์.
ํ 1 "์ ์ฌ์ ์ฐจ์ฉ์"
ํ
์ด๋ธ ์์ฑ ์ฝ๋
import pandas as pd
r = 25000.0
w_0 = -5000.0/r
w_1 = 1.0/r
w_2 = -3.0/r
data = {'The borrower':np.array(['Vasya', 'Fedya', 'Lesha']),
'Salary':np.array([120000,180000,210000]),
'Payment':np.array([3000,50000,70000])}
df = pd.DataFrame(data)
df['f(w,x)'] = w_0 + df['Salary']*w_1 + df['Payment']*w_2
decision = []
for i in df['f(w,x)']:
if i > 0:
dec = 'Approved'
decision.append(dec)
else:
dec = 'Refusal'
decision.append(dec)
df['Decision'] = decision
df[['The borrower', 'Salary', 'Payment', 'f(w,x)', 'Decision']]
ํ์ ๋ฐ์ดํฐ์ ๋ฐ๋ฅด๋ฉด ๊ธ์ฌ๊ฐ 120.000 RUR์ธ Vasya๋ ๋งค๋ฌ 3.000 RUR๋ก ์ํํ ์ ์๋๋ก ๋์ถ์ ๋ฐ๊ณ ์ถ์ดํฉ๋๋ค. ์ฐ๋ฆฌ๋ ๋์ถ์ ์น์ธํ๋ ค๋ฉด Vasya์ ๊ธ์ฌ๊ฐ ์ง๋ถ ๊ธ์ก์ 5.000๋ฐฐ๋ฅผ ์ด๊ณผํด์ผ ํ๋ฉฐ ์ฌ์ ํ XNUMX RUR์ด ๋จ์ ์์ด์ผ ํ๋ค๊ณ ํ๋จํ์ต๋๋ค. Vasya๋ ๋ค์ ์๊ตฌ ์ฌํญ์ ์ถฉ์กฑํฉ๋๋ค. . 106.000 RUR๋ ๋จ์์์ต๋๋ค. ๊ณ์ฐํ ๋์๋ ๋ถ๊ตฌํ๊ณ ์ฐ๋ฆฌ๋ ํ๋ฅ ์ ์ค์์ต๋๋ค 25.000๋ฒ์ ์๋ํด๋ ๊ฒฐ๊ณผ๋ ๋์ผํ์ต๋๋ค. ๋์ถ์ด ์น์ธ๋ ์ ์์ต๋๋ค. Fedya๋ ๋์ถ์ ๋ฐ๊ฒ๋์ง๋ง Lesha๋ ๊ฐ์ฅ ๋ง์ ๋์ถ์ ๋ฐ์์๋ ๋ถ๊ตฌํ๊ณ ์์์ ์กฐ์ ํด์ผํฉ๋๋ค.
์ด ๊ฒฝ์ฐ์ ๋ํ ๊ทธ๋ํ๋ฅผ ๊ทธ๋ ค๋ณด๊ฒ ์ต๋๋ค.
๋ํ 2 โ์ฐจ์ฉ์ ๋ถ๋ฅโ
๊ทธ๋ํ๋ฅผ ๊ทธ๋ฆฌ๋ ์ฝ๋
salary = np.arange(60000,240000,20000)
payment = (-w_0-w_1*salary)/w_2
fig, axes = plt.subplots(figsize = (14,6), dpi = 80)
plt.plot(salary, payment, color = 'grey', lw = 2, label = '$f(w,x_i)=w_0 + w_1x_{i1} + w_2x_{i2}$')
plt.plot(df[df['Decision'] == 'Approved']['Salary'], df[df['Decision'] == 'Approved']['Payment'],
'o', color ='green', markersize = 12, label = 'Decision - Loan approved')
plt.plot(df[df['Decision'] == 'Refusal']['Salary'], df[df['Decision'] == 'Refusal']['Payment'],
's', color = 'red', markersize = 12, label = 'Decision - Loan refusal')
plt.xlabel('Salary', size = 16)
plt.ylabel('Payment', size = 16)
plt.legend(prop = {'size': 14})
plt.show()
๋ฐ๋ผ์ ์ฐ๋ฆฌ์ ์ง์ ์ ํจ์์ ๋ฐ๋ผ ๊ตฌ์ฑ๋ฉ๋๋ค. , "๋์" ์ฐจ์ฉ์ธ๊ณผ "์ข์" ์ฐจ์ฉ์ธ์ ๊ตฌ๋ถํฉ๋๋ค. ์์ ์ ๋ฅ๋ ฅ๊ณผ ์๊ตฌ๊ฐ ์ผ์นํ์ง ์๋ ์ฐจ์ฉ์ธ์ ์ ์์ ์๋ ๋ฐ๋ฉด(Lesha), ์ฐ๋ฆฌ ๋ชจ๋ธ์ ๋งค๊ฐ๋ณ์์ ๋ฐ๋ผ ๋์ถ๊ธ์ ์ํํ ์ ์๋ ์ฌ๋์ ์ ์๋์ ์์ต๋๋ค(Vasya ๋ฐ Fedya). ์ฆ, ์ฐ๋ฆฌ๋ ์ด๋ ๊ฒ ๋งํ ์ ์์ต๋๋ค. ์ฐ๋ฆฌ์ ์ง๊ณ ๋ผ์ธ์ ์ฐจ์ฉ์๋ฅผ ๋ ๊ฐ์ง ํด๋์ค๋ก ๋๋๋๋ค. ๋ค์๊ณผ ๊ฐ์ด ํ์ํ๊ฒ ์ต๋๋ค. ์ฐ๋ฆฌ๋ ๋์ถ๊ธ์ ์ํํ ๊ฐ๋ฅ์ฑ์ด ๊ฐ์ฅ ๋์ ์ฐจ์ฉ์ธ์ ๋ค์๊ณผ ๊ฐ์ด ๋ถ๋ฅํ ๊ฒ์ ๋๋ค. ๋๋ ์ฐ๋ฆฌ๋ ๋์ถ๊ธ์ ์ํํ ์ ์์ ๊ฐ๋ฅ์ฑ์ด ๊ฐ์ฅ ๋์ ์ฐจ์ฉ์ธ์ ํฌํจํ ๊ฒ์ ๋๋ค.
์ด ๊ฐ๋จํ ์๋ฅผ ํตํด ๊ฒฐ๋ก ์ ์์ฝํด ๋ณด๊ฒ ์ต๋๋ค. ์์ ์ ์ดํด ๋ณด๊ฒ ์ต๋๋ค. ๊ทธ๋ฆฌ๊ณ ์ ์ ์ขํ๋ฅผ ํด๋น ์ ์ ๋ฐฉ์ ์์ผ๋ก ๋์ฒดํฉ๋๋ค. , ์ธ ๊ฐ์ง ์ต์ ์ ๊ณ ๋ คํ์ญ์์ค.
- ์ ์ด ์ ์๋์ ์๊ณ ์ด๋ฅผ ํด๋์ค์ ํ ๋นํ๋ ๊ฒฝ์ฐ , ํจ์์ ๊ฐ ๋ถํฐ ๊ธ์ ์ ์ผ ๊ฒ์ด๋ค ์ . ์ฆ, ๋์ถ๊ธ์ ์ํํ ํ๋ฅ ์ ๋ค์๊ณผ ๊ฐ๋ค๊ณ ๊ฐ์ ํ ์ ์์ต๋๋ค. . ํจ์ ๊ฐ์ด ํด์๋ก ํ๋ฅ ์ด ๋์์ง๋๋ค.
- ์ ์ด ์ ์์ ์๊ณ ์ด๋ฅผ ํด๋์ค์ ํ ๋นํ๋ ๊ฒฝ์ฐ ๋๋ ์ด๋ฉด ํจ์์ ๊ฐ์ ์์๊ฐ ๋ฉ๋๋ค. ์ . ๊ทธ๋ฐ ๋ค์ ๋ถ์ฑ ์ํ ํ๋ฅ ์ด ๋ค์๊ณผ ๊ฐ๋ค๊ณ ๊ฐ์ ํฉ๋๋ค. ๊ทธ๋ฆฌ๊ณ ํจ์์ ์ ๋๊ฐ์ด ํด์๋ก ์ ๋ขฐ๋๋ ๋์์ง๋๋ค.
- ์ ์ ๋ ํด๋์ค ์ฌ์ด์ ๊ฒฝ๊ณ์ ์๋ ์ง์ ์์ ์์ต๋๋ค. ์ด ๊ฒฝ์ฐ ํจ์์ ๊ฐ์ ํ๋ฑํ ๊ฒ์ด๋ค ๋์ถ๊ธ์ ์ํํ ํ๋ฅ ์ ๋ค์๊ณผ ๊ฐ์ต๋๋ค. .
์ด์ ๋ ๊ฐ์ง ์์๊ฐ ์๋๋ผ ์์ญ, ์ธ ๊ฐ๊ฐ ์๋ ์์ฒ ๋ช ์ ์ฐจ์ฉ์ธ์ด ์๋ค๊ณ ์์ํด ๋ด ์๋ค. ๊ทธ๋ฌ๋ฉด ์ง์ ๋์ ์ ์ฐ๋ฆฌ๋ m์ฐจ์ ํ๋ฉด๊ณผ ๊ณ์ ์ฐ๋ฆฌ๋ ํ๊ณต์์ ๋ฒ์ด๋์ง ์๊ณ ๋ชจ๋ ๊ท์น์ ๋ฐ๋ผ ๊ทธ๋ฆฌ๊ณ ๋์ถ๊ธ์ ์ํํ๊ฑฐ๋ ์ํํ์ง ์์ ์ฐจ์ฉ์ธ์ ๋ํ ์ถ์ ๋ ๋ฐ์ดํฐ๋ฅผ ๊ธฐ๋ฐ์ผ๋ก ํ์๋ฉ๋๋ค. ๊ทธ๋ฆฌ๊ณ ์ค์ ๋ก ์ฐ๋ฆฌ๋ ์ด๋ฏธ ์๋ ค์ง ๊ณ์๋ฅผ ์ฌ์ฉํ์ฌ ์ฐจ์ฉ์๋ฅผ ์ ํํ๊ณ ์์ต๋๋ค. . ์ค์ ๋ก ๋ก์ง์คํฑ ํ๊ท ๋ชจ๋ธ์ ์์ ์ ๋งค๊ฐ๋ณ์๋ฅผ ์ ํํ๊ฒ ๊ฒฐ์ ํ๋ ๊ฒ์ ๋๋ค. , ์ฌ๊ธฐ์ ์์ค ํจ์์ ๊ฐ์ ๋ฌผ๋ฅ ์์ค ์ต์ํํ๋ ๊ฒฝํฅ์ด ์์ต๋๋ค. ๊ทธ๋ฌ๋ ๋ฒกํฐ ๊ณ์ฐ ๋ฐฉ๋ฒ์ ๋ํด์๋ , ๊ธฐ์ฌ์ 5๋ฒ์งธ ์น์ ์์ ์์ธํ ๋ด์ฉ์ ์์๋ณผ ๊ฒ์ ๋๋ค. ๊ทธ ๋์ ์ฐ๋ฆฌ๋ ์ํ๊ฐ์ ๊ทธ์ ์ธ ๊ณ ๊ฐ์๊ฒ ์ฝ์๋ ๋ ์ผ๋ก ๋์๊ฐ๋๋ค.
๊ธฐ๋ฅ ๋๋ถ์ ์ฐ๋ฆฌ๋ ๋์ถ์ ๋ฐ์ ์ ์๋ ์ฌ๋๊ณผ ๊ฑฐ์ ํด์ผ ํ ์ฌ๋์ด ๋๊ตฌ์ธ์ง ์๊ณ ์์ต๋๋ค. ๊ทธ๋ฌ๋ ๊ทธ๋ฌํ ์ ๋ณด๋ฅผ ๊ฐ์ง๊ณ ์ด์ฌ์๊ฒ ๊ฐ ์๋ ์์ต๋๋ค. ์๋ํ๋ฉด ๊ทธ๋ค์ ๊ฐ ์ฐจ์ฉ์ธ์ด ๋์ถ๊ธ์ ์ํํ ํ๋ฅ ์ ์ฐ๋ฆฌ์๊ฒ์ ์ป๊ณ ์ถ์๊ธฐ ๋๋ฌธ์ ๋๋ค. ๋ฌด์์ ํด์ผ ํ ๊น์? ๋๋ต์ ๊ฐ๋จํฉ๋๋ค. ์ด๋ป๊ฒ๋ ํจ์๋ฅผ ๋ณํํด์ผ ํฉ๋๋ค. , ๊ทธ ๊ฐ์ ๋ฒ์์ ์์ต๋๋ค. ๊ฐ์ด ๋ฒ์์ ์๋ ํจ์๋ก . ๊ทธ๋ฆฌ๊ณ ๊ทธ๋ฌํ ๊ธฐ๋ฅ์ด ์กด์ฌํฉ๋๋ค. ๋ก์ง์คํฑ ๋ฐ์ ํจ์ ๋๋ ์ญ๋ก์ง ๋ณํ. ๋ง๋๋ค:
์ด๋ป๊ฒ ์๋ํ๋์ง ๋จ๊ณ๋ณ๋ก ์ดํด๋ณด๊ฒ ์ต๋๋ค. ๋ฌผ๋ฅ ์๋ต ๊ธฐ๋ฅ. ์ฐ๋ฆฌ๋ ๋ฐ๋ ๋ฐฉํฅ์ผ๋ก ๊ฑธ์ ๊ฒ์ ๋๋ค. ์ฐ๋ฆฌ๋ ๋ค์ ๋ฒ์์ ์๋ ํ๋ฅ ๊ฐ์ ์๊ณ ์๋ค๊ณ ๊ฐ์ ํฉ๋๋ค. ์ ๊ทธ๋ฐ ๋ค์ ์ด ๊ฐ์ ๋ค์์ ์ ์ฒด ์ซ์ ๋ฒ์๋ก "ํด์ "ํฉ๋๋ค. ์ .
03. ๋ก์ง์คํฑ ๋ฐ์ํจ์๋ฅผ ๋์ถํ๋ค
1๋จ๊ณ. ํ๋ฅ ๊ฐ์ ๋ฒ์๋ก ๋ณํ
ํจ์๋ฅผ ๋ณํํ๋ ๋์ ะฒ ๋ฌผ๋ฅ ์๋ต ๊ธฐ๋ฅ ์ฐ๋ฆฌ๋ ์ ์ฉ ๋ถ์๊ฐ๋ฅผ ๋ด๋ฒ๋ ค๋๊ณ ๋์ ๋ถ๋ฉ์ด์ปค๋ฅผ ๋๋ฌ๋ณด๊ฒ ์ต๋๋ค. ์๋์, ๋ฌผ๋ก ์ฐ๋ฆฌ๋ ๋ฒ ํ ํ์ง ์์ ๊ฒ์ ๋๋ค. ์ฐ๋ฆฌ๊ฐ ๊ด์ฌ์ ๊ฐ๋ ๊ฒ์ ํํ์ ์๋ฏธ์ ๋๋ค. ์๋ฅผ ๋ค์ด ํ๋ฅ ์ 4:1์ ๋๋ค. ๋ชจ๋ ๋ฒ ํฐ์๊ฒ ์น์ํ ํ๋ฅ ์ "์ฑ๊ณต" ๋ " ์คํจโ. ํ๋ฅ ์ธก๋ฉด์์ ํ๋ฅ ์ ์ฌ๊ฑด์ด ๋ฐ์ํ ํ๋ฅ ์ ์ฌ๊ฑด์ด ๋ฐ์ํ์ง ์์ ํ๋ฅ ๋ก ๋๋ ๊ฐ์ ๋๋ค. ์ด๋ค ์ฌ๊ฑด์ด ์ผ์ด๋ ํ๋ฅ ์ ๋ํ ๊ณต์์ ์ ์ด๋ณด์ :
์ด๋์์ - ์ฌ๊ฑด์ด ๋ฐ์ํ ํ๋ฅ , โ ์ฌ๊ฑด์ด ๋ฐ์ํ์ง ์์ ํ๋ฅ
์๋ฅผ ๋ค์ด, "๋ฒ ํ ๋ก"์ด๋ผ๋ ๋ณ๋ช ์ ๊ฐ์ง ์ ๊ณ ๊ฐํ๋ฉฐ ์ฅ๋๊ธฐ ๋ง์ ๋ง์ด ๊ฒฝ์ฃผ์์ "๋งํธ๋ค"๋ผ๋ ๋๊ณ ์ฐ์ฝํ ๋ ธํ๋ฅผ ์ด๊ธธ ํ๋ฅ ์ ๋ค์๊ณผ ๊ฐ์ต๋๋ค. , ๊ทธ๋ฌ๋ฉด "Veterok"์ ์ฑ๊ณต ๊ฐ๋ฅ์ฑ์ ๋ค์๊ณผ ๊ฐ์ต๋๋ค. ะบ ๊ทธ ๋ฐ๋์ ๊ฒฝ์ฐ๋ ๋ง์ฐฌ๊ฐ์ง์ด๋ฏ๋ก ํ๋ฅ ์ ์๋ฉด ํ๋ฅ ์ ๊ณ์ฐํ๋ ๊ฒ์ด ์ด๋ ต์ง ์์ต๋๋ค. :
๋ฐ๋ผ์ ์ฐ๋ฆฌ๋ ํ๋ฅ ์ ๊ธฐํ๋ก "๋ณํ"ํ๋ ๋ฐฉ๋ฒ์ ๋ฐฐ์ ์ต๋๋ค. ์ . ํ ๋จ๊ณ ๋ ๋์๊ฐ์ ํ๋ฅ ์ ์ ์ฒด ์์ง์ ์ผ๋ก "๋ณํ"ํ๋ ๋ฐฉ๋ฒ์ ๋ฐฐ์ ๋ณด๊ฒ ์ต๋๋ค. ์ .
2๋จ๊ณ. ํ๋ฅ ๊ฐ์ ๋ฒ์๋ก ๋ณํ
์ด ๋จ๊ณ๋ ๋งค์ฐ ๊ฐ๋จํฉ๋๋ค. ์ค์ผ๋ฌ ์์ ๋ฐ์์ ํ๋ฅ ์ ๋ก๊ทธ๋ฅผ ์ทจํด ๋ณด๊ฒ ์ต๋๋ค. ๊ทธ๋ฆฌ๊ณ ์ฐ๋ฆฌ๋ ๋ค์์ ์ป์ต๋๋ค:
์ด์ ์ฐ๋ฆฌ๋ ๋ง์ฝ์ , ๊ทธ๋ฐ ๋ค์ ๊ฐ์ ๊ณ์ฐํฉ๋๋ค. ๋งค์ฐ ๊ฐ๋จํ ๋ฟ๋ง ์๋๋ผ ๊ธ์ ์ ์ด์ด์ผ ํฉ๋๋ค. . ์ด๊ฒ์ ์ฌ์ค์ด๋ค.
๊ถ๊ธํด์ ํ์ธํด ๋ณด์. , ๊ทธ๋ฌ๋ฉด ์์ ๊ฐ์ด ๋ํ๋ ๊ฒ์ผ๋ก ์์๋ฉ๋๋ค. . ์ฐ๋ฆฌ๋ ๋ค์์ ํ์ธํฉ๋๋ค: . ์ข์์.
์ด์ ์ฐ๋ฆฌ๋ ํ๋ฅ ๊ฐ์ ๋ค์๊ณผ ๊ฐ์ด ๋ณํํ๋ ๋ฐฉ๋ฒ์ ์์์ต๋๋ค. ์ ์์ง์ ์ ์ฒด๋ฅผ ๋ฐ๋ผ ์ . ๋ค์ ๋จ๊ณ์์๋ ๊ทธ ๋ฐ๋๋ฅผ ์ํํ๊ฒ ์ต๋๋ค.
์ง๊ธ์ ๋ก๊ทธ์ ๊ท์น์ ๋ฐ๋ผ ํจ์์ ๊ฐ์ ์๋ ๊ฒ์ ์ฃผ๋ชฉํฉ๋๋ค. , ํ๋ฅ ์ ๊ณ์ฐํ ์ ์์ต๋๋ค.
์ด ํ๋ฅ ๊ฒฐ์ ๋ฐฉ๋ฒ์ ๋ค์ ๋จ๊ณ์์ ์ ์ฉํ ๊ฒ์ ๋๋ค.
3๋จ๊ณ. ๋ค์์ ๊ฒฐ์ ํ๋ ๊ณต์์ ๋์ถํด ๋ณด๊ฒ ์ต๋๋ค.
๊ทธ๋์ ์ฐ๋ฆฌ๋ ๋ฐฐ์ ์ต๋๋ค. , ํจ์ ๊ฐ ์ฐพ๊ธฐ . ๊ทธ๋ฌ๋ ์ค์ ๋ก๋ ์ ๋ฐ๋์ ๊ฐ์น๊ฐ ํ์ํฉ๋๋ค. ์ฐพ๊ธฐ . ์ด๋ฅผ ์ํด ๋ค์๊ณผ ๊ฐ์ ์ญํ๋ฅ ํจ์์ ๊ฐ์ ๊ฐ๋ ์ ์ดํด๋ณด๊ฒ ์ต๋๋ค.
์ด ๊ธฐ์ฌ์์๋ ์์ ๊ณต์์ ๋์ถํ์ง ์์ง๋ง ์ ์์ ์ซ์๋ฅผ ์ฌ์ฉํ์ฌ ํ์ธํ๊ฒ ์ต๋๋ค. ์ฐ๋ฆฌ๋ ํ๋ฅ ์ด 4 ๋ 1(), ์ฌ๊ฑด์ด ๋ฐ์ํ ํ๋ฅ ์ 0.8(). ๋ค์๊ณผ ๊ฐ์ด ๋์ฒดํด ๋ณด๊ฒ ์ต๋๋ค. . ์ด๋ ์ด์ ์ ์ํํ ๊ณ์ฐ๊ณผ ์ผ์นํฉ๋๋ค. ๊ณ์ ์งํํฉ์๋ค.
๋ง์ง๋ง ๋จ๊ณ์์ ์ฐ๋ฆฌ๋ ๋ค์๊ณผ ๊ฐ์ด ์ถ๋ก ํ์ต๋๋ค. , ์ด๋ ์ญํ๋ฅ ํจ์์์ ๋์ฒด๋ฅผ ์ํํ ์ ์์์ ์๋ฏธํฉ๋๋ค. ์ฐ๋ฆฌ๋ ๋ค์์ ์ป์ต๋๋ค:
๋ถ์์ ๋ถ๋ชจ๋ฅผ ๋ชจ๋ ๋ค์๊ณผ ๊ฐ์ด ๋๋๋๋ค. , ๊ทธ ๋ค์์:
๋ง์ผ์ ๋๋นํด ์ฐ๋ฆฌ๊ฐ ์ด๋์์๋ ์ค์๋ฅผ ํ์ง ์์๋์ง ํ์ธํ๊ธฐ ์ํด ์์ ์ ๊ฒ์ ํ ๋ฒ ๋ ํด ๋ด ์๋ค. 2๋จ๊ณ์์ ์ฐ๋ฆฌ๋ ๋ผ๊ณ ๊ฒฐ์ ํ๋ค . ๊ทธ๋ฐ ๋ค์ ๊ฐ์ ๋์ฒดํฉ๋๋ค. ๋ก์ง์คํฑ ์๋ต ํจ์์ ๋ํด ์ฐ๋ฆฌ๋ ๋ค์์ ์ป์ ๊ฒ์ผ๋ก ์์ํฉ๋๋ค. . ์ฐ๋ฆฌ๋ ๋์ฒดํ๊ณ ๋ค์์ ์ป์ต๋๋ค.
์ถํํฉ๋๋ค, ๋ ์ ์ฌ๋ฌ๋ถ, ์ฐ๋ฆฌ๋ ๋ฐฉ๊ธ ๋ก์ง์คํฑ ์๋ต ํจ์๋ฅผ ๋์ถํ๊ณ ํ ์คํธํ์ต๋๋ค. ํจ์์ ๊ทธ๋ํ๋ฅผ ์ดํด๋ณด์.
๊ทธ๋ํ 3 โ๋ก์ง์คํฑ ์๋ต ํจ์โ
๊ทธ๋ํ๋ฅผ ๊ทธ๋ฆฌ๋ ์ฝ๋
import math
def logit (f):
return 1/(1+math.exp(-f))
f = np.arange(-7,7,0.05)
p = []
for i in f:
p.append(logit(i))
fig, axes = plt.subplots(figsize = (14,6), dpi = 80)
plt.plot(f, p, color = 'grey', label = '$ 1 / (1+e^{-w^Tx_i})$')
plt.xlabel('$f(w,x_i) = w^Tx_i$', size = 16)
plt.ylabel('$p_{i+}$', size = 16)
plt.legend(prop = {'size': 14})
plt.show()
๋ฌธํ์์ ์ด ํจ์์ ์ด๋ฆ์ ๋ค์๊ณผ ๊ฐ์ด ์ฐพ์ ์๋ ์์ต๋๋ค. ์๊ทธ๋ชจ์ด๋ ํจ์. ๊ทธ๋ํ๋ ํด๋์ค์ ์ํ๋ ๊ฐ์ฒด์ ํ๋ฅ ์ ์ฃผ์ ๋ณํ๊ฐ ์๋์ ์ผ๋ก ์์ ๋ฒ์ ๋ด์์ ๋ฐ์ํจ์ ๋ช ํํ๊ฒ ๋ณด์ฌ์ค๋๋ค. , ์ด๋๊ฐ์์ ์ .
์ฐ๋ฆฌ ์ ์ฉ ๋ถ์๊ฐ์๊ฒ ๋์๊ฐ ๋์ถ ์ํ ํ๋ฅ ์ ๊ณ์ฐํ๋๋ก ๋์์ค ๊ฒ์ ์ ์ํฉ๋๋ค. ๊ทธ๋ ์ง ์์ผ๋ฉด ๊ทธ๋ ๋ณด๋์ค ์์ด ๋จ๊ฒจ์ง ์ํ์ด ์์ต๋๋ค. :)
ํ 2 "์ ์ฌ์ ์ฐจ์ฉ์"
ํ
์ด๋ธ ์์ฑ ์ฝ๋
proba = []
for i in df['f(w,x)']:
proba.append(round(logit(i),2))
df['Probability'] = proba
df[['The borrower', 'Salary', 'Payment', 'f(w,x)', 'Decision', 'Probability']]
๊ทธ๋์ ์ฐ๋ฆฌ๋ ๋์ถ ์ํ ํ๋ฅ ์ ๊ฒฐ์ ํ์ต๋๋ค. ์ผ๋ฐ์ ์ผ๋ก ์ด๊ฒ์ ์ฌ์ค์ธ ๊ฒ ๊ฐ์ต๋๋ค.
์ค์ ๋ก ๊ธ์ฌ๊ฐ 120.000 RUR์ธ Vasya๊ฐ ๋งค๋ฌ 3.000 RUR์ ์ํ์ ๊ธฐ๋ถํ ์ ์๋ ํ๋ฅ ์ 100%์ ๊ฐ๊น์ต๋๋ค. ๊ทธ๊ฑด ๊ทธ๋ ๊ณ , ์ํ ์ ์ฑ ์ด ์๋ฅผ ๋ค์ด 0.3 ์ด์์ ๋์ถ ์ํ ํ๋ฅ ๋ก ๊ณ ๊ฐ์๊ฒ ๋์ถ์ ์ ๊ณตํ๋ ๊ฒฝ์ฐ ์ํ์ด Lesha์ ๋์ถ์ ๋ฐํํ ์ ์๋ค๋ ๊ฒ์ ์ดํดํด์ผ ํฉ๋๋ค. ์ด ๊ฒฝ์ฐ ์ํ์ ๊ฐ๋ฅํ ์์ค์ ๋๋นํด ๋ ๋ง์ ์ค๋น๊ธ์ ์์ฑํ ๊ฒ์ ๋๋ค.
๋ํ ์ต์ 3์ ๊ธ์ฌ ๋ ์ง๋ถ ๋น์จ๊ณผ 5.000 RUR์ ๋ง์ง์ด ํ๋์์ ์ ์ธ๋์๋ค๋ ์ ์ ์ ์ํด์ผ ํฉ๋๋ค. ๋ฐ๋ผ์ ๊ฐ์ค์น ๋ฒกํฐ๋ฅผ ์๋ ํํ๋ก ์ฌ์ฉํ ์ ์์ต๋๋ค. . ๊ณ์๋ฅผ ๋ํญ ์ค์ฌ์ผ ํ๊ณ , ์ด ๊ฒฝ์ฐ์๋ ๊ฐ ๊ณ์๋ฅผ 25.000์ผ๋ก ๋๋์์ต๋๋ค. ์ฆ, ๋ณธ์ง์ ์ผ๋ก ๊ฒฐ๊ณผ๋ฅผ ์กฐ์ ํ ๊ฒ์ ๋๋ค. ๊ทธ๋ฌ๋ ์ด๋ ์ด๊ธฐ ๋จ๊ณ์์ ์๋ฃ์ ์ดํด๋ฅผ ๋จ์ํํ๊ธฐ ์ํด ํน๋ณํ ์ํ๋์์ต๋๋ค. ์ธ์์์ ์ฐ๋ฆฌ๋ ๊ณ์๋ฅผ ๊ณ ์ํ๊ณ ์กฐ์ ํ ํ์๊ฐ ์์ง๋ง ๊ณ์๋ฅผ ์ฐพ์ ํ์๊ฐ ์์ต๋๋ค. ๊ธฐ์ฌ์ ๋ค์ ์น์ ์์๋ ๋งค๊ฐ๋ณ์๊ฐ ์ ํ๋๋ ๋ฐฉ์ ์์ ๋์ถํฉ๋๋ค. .
04. ๊ฐ์ค์น ๋ฒกํฐ๋ฅผ ๊ฒฐ์ ํ๋ ์ต์์ ๊ณฑ๋ฒ ๋ก์ง์คํฑ ์๋ต ํจ์์์
์ฐ๋ฆฌ๋ ์ด๋ฏธ ๊ฐ์ค์น ๋ฒกํฐ๋ฅผ ์ ํํ๋ ๋ฐฉ๋ฒ์ ์๊ณ ์์ต๋๋ค. ์ผ๋ก ์ต์์ ๊ณฑ๋ฒ(LSM) ์ฌ์ค, ์ด์ง ๋ถ๋ฅ ๋ฌธ์ ์ ์ด๋ฅผ ์ฌ์ฉํ๋ฉด ์ด๋จ๊น์? ์ค์ ๋ก ์ฌ์ฉ์ ๋ฐฉํดํ๋ ๊ฒ์ ์์ต๋๋ค. MNC, ๋ถ๋ฅ ๋ฌธ์ ์์ ์ด ๋ฐฉ๋ฒ๋ง์ด ๋ค์๋ณด๋ค ๋ ์ ํํ ๊ฒฐ๊ณผ๋ฅผ ์ ๊ณตํฉ๋๋ค. ๋ฌผ๋ฅ ์์ค. ์ด์ ๋ํ ์ด๋ก ์ ๊ทผ๊ฑฐ๊ฐ ์์ต๋๋ค. ๋จผ์ ๊ฐ๋จํ ์๋ฅผ ํ๋ ์ดํด๋ณด๊ฒ ์ต๋๋ค.
์ฐ๋ฆฌ ๋ชจ๋ธ์ด (๋ค์์ ์ฌ์ฉํ์ฌ) MSE ะธ ๋ฌผ๋ฅ ์์ค) ์ด๋ฏธ ๊ฐ์ค์น ๋ฒกํฐ ์ ํ์ ์์ํ์ต๋๋ค. ์ด๋ค ๋จ๊ณ์์ ๊ณ์ฐ์ ์ค๋จํ์ต๋๋ค. ์ค๊ฐ, ๋ ๋๋ ์์ ์ฌ๋ถ๋ ์ค์ํ์ง ์์ต๋๋ค. ๊ฐ์ฅ ์ค์ํ ๊ฒ์ ์ฐ๋ฆฌ๊ฐ ์ด๋ฏธ ๊ฐ์ค์น ๋ฒกํฐ์ ์ผ๋ถ ๊ฐ์ ๊ฐ์ง๊ณ ์์ผ๋ฉฐ ์ด ๋จ๊ณ์์ ๊ฐ์ค์น ๋ฒกํฐ๊ฐ ๋ ๋ชจ๋ธ ๋ชจ๋ ์ฐจ์ด๊ฐ ์์ต๋๋ค. ๊ทธ๋ฐ ๋ค์ ๊ฒฐ๊ณผ ๊ฐ์ค์น๋ฅผ ๊ฐ์ ธ์์ ๋ค์์ผ๋ก ๋์ฒดํฉ๋๋ค. ๋ฌผ๋ฅ ์๋ต ๊ธฐ๋ฅ () ํด๋์ค์ ์ํ ์ผ๋ถ ๊ฐ์ฒด์ ๊ฒฝ์ฐ . ์ ํํ ๊ฐ์ค์น ๋ฒกํฐ์ ๋ฐ๋ผ ๋ชจ๋ธ์ด ๋งค์ฐ ์๋ชป๋์๊ฑฐ๋ ๊ทธ ๋ฐ๋์ ๊ฒฝ์ฐ ๋ ๊ฐ์ง ๊ฒฝ์ฐ๋ฅผ ์กฐ์ฌํฉ๋๋ค. ๋ชจ๋ธ์ ๊ฐ์ฒด๊ฐ ํด๋์ค์ ์ํ๋ค๊ณ ๋งค์ฐ ํ์ ํฉ๋๋ค. . ์ฌ์ฉ์ ์ด๋ค ๋ฒ๊ธ์ด ๋ถ๊ณผ๋๋์ง ์ดํด ๋ณด๊ฒ ์ต๋๋ค. MNC ะธ ๋ฌผ๋ฅ ์์ค.
์ฌ์ฉ๋ ์์ค ํจ์์ ๋ฐ๋ผ ํ๋ํฐ๋ฅผ ๊ณ์ฐํ๋ ์ฝ๋
# ะบะปะฐัั ะพะฑัะตะบัะฐ
y = 1
# ะฒะตัะพััะฝะพััั ะพัะฝะตัะตะฝะธั ะพะฑัะตะบัะฐ ะบ ะบะปะฐััั ะฒ ัะพะพัะฒะตัััะฒะธะธ ั ะฟะฐัะฐะผะตััะฐะผะธ w
proba_1 = 0.01
MSE_1 = (y - proba_1)**2
print 'ะจััะฐั MSE ะฟัะธ ะณััะฑะพะน ะพัะธะฑะบะต =', MSE_1
# ะฝะฐะฟะธัะตะผ ััะฝะบัะธั ะดะปั ะฒััะธัะปะตะฝะธั f(w,x) ะฟัะธ ะธะทะฒะตััะฝะพะน ะฒะตัะพััะฝะพััะธ ะพัะฝะตัะตะฝะธั ะพะฑัะตะบัะฐ ะบ ะบะปะฐััั +1 (f(w,x)=ln(odds+))
def f_w_x(proba):
return math.log(proba/(1-proba))
LogLoss_1 = math.log(1+math.exp(-y*f_w_x(proba_1)))
print 'ะจััะฐั Log Loss ะฟัะธ ะณััะฑะพะน ะพัะธะฑะบะต =', LogLoss_1
proba_2 = 0.99
MSE_2 = (y - proba_2)**2
LogLoss_2 = math.log(1+math.exp(-y*f_w_x(proba_2)))
print '**************************************************************'
print 'ะจััะฐั MSE ะฟัะธ ัะธะปัะฝะพะน ัะฒะตัะตะฝะฝะพััะธ =', MSE_2
print 'ะจััะฐั Log Loss ะฟัะธ ัะธะปัะฝะพะน ัะฒะตัะตะฝะฝะพััะธ =', LogLoss_2
์ค์์ ์ฌ๋ก โ ๋ชจ๋ธ์ด ๊ฐ์ฒด๋ฅผ ํด๋์ค์ ํ ๋นํฉ๋๋ค. 0,01์ ํ๋ฅ ๋ก
์ฌ์ฉ ์ ๋ฒ๊ธ MNC ๋ ๊ฑฐ์ผ:
์ฌ์ฉ ์ ๋ฒ๊ธ ๋ฌผ๋ฅ ์์ค ๋ ๊ฑฐ์ผ:
๊ฐํ ์์ ๊ฐ์ ๋ณด์ฌ์ค ์ฌ๋ก โ ๋ชจ๋ธ์ด ๊ฐ์ฒด๋ฅผ ํด๋์ค์ ํ ๋นํฉ๋๋ค. 0,99์ ํ๋ฅ ๋ก
์ฌ์ฉ ์ ๋ฒ๊ธ MNC ๋ ๊ฑฐ์ผ:
์ฌ์ฉ ์ ๋ฒ๊ธ ๋ฌผ๋ฅ ์์ค ๋ ๊ฑฐ์ผ:
์ด ์๋ ์ด ์ค๋ฅ์ ๊ฒฝ์ฐ ์์ค ํจ์๊ฐ ๋ค์๊ณผ ๊ฐ๋ค๋ ๊ฒ์ ์ ๋ณด์ฌ์ค๋๋ค. ๋ก๊ทธ ์์ค ๋ชจ๋ธ์ ๋นํด ํจ์ฌ ๋ ๋ง์ ๋ถ์ด์ต์ ์ค๋๋ค. MSE. ์ด์ ์์ค ํจ์๋ฅผ ์ฌ์ฉํ๋ ์ด๋ก ์ ๋ฐฐ๊ฒฝ์ด ๋ฌด์์ธ์ง ์ดํดํด ๋ด ์๋ค. ๋ก๊ทธ ์์ค ๋ถ๋ฅ ๋ฌธ์ ์์.
05. ์ต๋์ฐ๋๋ฒ๊ณผ ๋ก์ง์คํฑ ํ๊ท
์ฒ์์ ์ฝ์ํ ๋๋ก ์ด ๊ธฐ์ฌ๋ ๊ฐ๋จํ ์์ ๋ก ๊ฐ๋ ์ฐจ ์์ต๋๋ค. ์คํ๋์ค์๋ ์ํ ์ฐจ์ฉ์ธ Vasya, Fedya ๋ฐ Lesha์ ๊ฐ์ ๋ ๋ค๋ฅธ ์์ ์ค๋๋ ์๋์ด ์์ต๋๋ค.
๋ง์ผ์ ๋๋นํด ์์ ๋ฅผ ๊ฐ๋ฐํ๊ธฐ ์ ์ ์ฐ๋ฆฌ๋ ์ค์ ๋ก ์์ญ ๋๋ ์๋ฐฑ ๊ฐ์ง ๊ธฐ๋ฅ์ ๊ฐ์ง ์์ฒ ๋๋ ์๋ฐฑ๋ง ๊ฐ์ ๊ฐ์ฒด๋ก ๊ตฌ์ฑ๋ ํ๋ จ ์ํ์ ๋ค๋ฃจ๊ณ ์๋ค๋ ์ ์ ์๊ธฐ์์ผ ๋๋ฆฌ๊ฒ ์ต๋๋ค. ๊ทธ๋ฌ๋ ์ฌ๊ธฐ์๋ ์ด๋ณด ๋ฐ์ดํฐ ๊ณผํ์์ ๋จธ๋ฆฌ์ ์ฝ๊ฒ ๋ค์ด๊ฐ ์ ์๋๋ก ์ซ์๋ฅผ ์ฌ์ฉํ์ต๋๋ค.
์๋ก ๋์๊ฐ ๋ณด๊ฒ ์ต๋๋ค. ์๊ณ ๋ฆฌ์ฆ์ด Lesha์๊ฒ ๋์ถ์ ์ ๊ณตํ์ง ๋ง ๊ฒ์ ์ ์ํ์์๋ ๋ถ๊ตฌํ๊ณ ์ํ์ฅ์ด ๋์์ด ํ์ํ ๋ชจ๋ ์ฌ๋์๊ฒ ๋์ถ์ ์ ๊ณตํ๊ธฐ๋ก ๊ฒฐ์ ํ๋ค๊ณ ๊ฐ์ ํด ๋ณด๊ฒ ์ต๋๋ค. ๊ทธ๋ฆฌ๊ณ ์ด์ ์ถฉ๋ถํ ์๊ฐ์ด ํ๋ ๊ณ ์ฐ๋ฆฌ๋ ์ธ ๋ช ์ ์์ ์ค ๋๊ฐ ๋์ถ๊ธ์ ๊ฐ์๋์ง, ๋๊ฐ ์ ๊ฐ์๋์ง ์๊ฒ ๋์์ต๋๋ค. ์์ํ๋ ๊ฒ: Vasya์ Fedya๋ ๋์ถ๊ธ์ ์ํํ์ง๋ง Lesha๋ ๊ทธ๋ ์ง ์์์ต๋๋ค. ์ด์ ์ด ๊ฒฐ๊ณผ๊ฐ ์ฐ๋ฆฌ์๊ฒ ์๋ก์ด ํ๋ จ ์ํ์ด ๋ ๊ฒ์ด๋ฉฐ ๋์์ ๋์ถ ์ํ ํ๋ฅ ์ ์ํฅ์ ๋ฏธ์น๋ ์์(์ฐจ์ฉ์์ ๊ธ์ฌ, ์ ์ง๋ถ ๊ท๋ชจ)์ ๋ํ ๋ชจ๋ ๋ฐ์ดํฐ๊ฐ ์ฌ๋ผ์ง ๊ฒ์ฒ๋ผ ๊ฐ์ ํด ๋ณด๊ฒ ์ต๋๋ค. ๊ทธ๋ฌ๋ฉด ์ง๊ด์ ์ผ๋ก ์ธ ๋ฒ์งธ ์ฐจ์ฉ์ธ์ด ์ํ์ ๋์ถ๊ธ์ ์ํํ์ง ์๋๋ค๊ณ ๊ฐ์ ํ ์ ์์ต๋๋ค. ์ฆ, ๋ค์ ์ฐจ์ฉ์ธ์ด ๋์ถ๊ธ์ ์ํํ ํ๋ฅ ์ ๋ค์๊ณผ ๊ฐ์ต๋๋ค. . ์ด ์ง๊ด์ ์ธ ๊ฐ์ ์ ์ด๋ก ์ ์ผ๋ก ํ์ฆ๋์์ผ๋ฉฐ, ์ต๋์ฐ๋๋ฒ, ์ข ์ข ๋ฌธํ์์๋ ์ด๋ ๊ฒ ๋ถ๋ฆฝ๋๋ค. ์ต๋ ์ฐ๋ ์๋ฆฌ.
๋จผ์ ๊ฐ๋ ์ฅ์น์ ๋ํด ์์ ๋ณด๊ฒ ์ต๋๋ค.
์ํ๋ง ๊ฐ๋ฅ์ฑ ์ ํํ ๊ทธ๋ฌํ ํ๋ณธ์ ์ป์ ํ๋ฅ , ์ฆ ์ ํํ ๊ทธ๋ฌํ ๊ด์ฐฐ/๊ฒฐ๊ณผ๋ฅผ ์ป์ ํ๋ฅ ์ ๋๋ค. ๊ฐ ์ํ ๊ฒฐ๊ณผ๋ฅผ ์ป์ ํ๋ฅ ์ ๊ณฑ(์: Vasya, Fedya ๋ฐ Lesha์ ๋์ถ๊ธ์ด ๋์์ ์ํ๋์๋์ง ์ฌ๋ถ)
์ฐ๋ ํจ์ ํ๋ณธ์ ์ฐ๋๋ฅผ ๋ถํฌ ๋งค๊ฐ๋ณ์์ ๊ฐ๊ณผ ์ฐ๊ด์ํต๋๋ค.
์ฐ๋ฆฌ์ ๊ฒฝ์ฐ ํ๋ จ ์ํ์ ์ผ๋ฐํ๋ Bernoulli ์ฒด๊ณ์ด๋ฉฐ, ์ฌ๊ธฐ์ ํ๋ฅ ๋ณ์๋ ๋ ๊ฐ์ง ๊ฐ๋ง ์ฌ์ฉํฉ๋๋ค. ๋๋ . ๋ฐ๋ผ์ ํ๋ณธ ์ฐ๋๋ ๋งค๊ฐ๋ณ์์ ์ฐ๋ ํจ์๋ก ์์ฑ๋ ์ ์์ต๋๋ค. ๋ค์๊ณผ ๊ฐ์ด
์ ํญ๋ชฉ์ ๋ค์๊ณผ ๊ฐ์ด ํด์๋ ์ ์์ต๋๋ค. Vasya์ Fedya๊ฐ ๋์ถ๊ธ์ ์ํํ ๊ณต๋ ํ๋ฅ ์ ๋ค์๊ณผ ๊ฐ์ต๋๋ค. , Lesha๊ฐ ๋์ถ๊ธ์ ์ํํ์ง ์์ ํ๋ฅ ์ ๋ค์๊ณผ ๊ฐ์ต๋๋ค. (์ด๊ฒ์ ๋์ถ ์ํ์ด ์๋์๊ธฐ ๋๋ฌธ์) ๋ฐ๋ผ์ ์ธ ์ฌ๊ฑด ๋ชจ๋์ ๊ฒฐํฉ ํ๋ฅ ์ ๋์ผํฉ๋๋ค. .
์ต๋ ๊ฐ๋ฅ์ฑ ๋ฐฉ๋ฒ ๋ฏธ์ง์ ๋งค๊ฐ๋ณ์๋ฅผ ์ต๋ํํ์ฌ ์ถ์ ํ๋ ๋ฐฉ๋ฒ์ด๋ค. ์ฐ๋ ํจ์. ์ฐ๋ฆฌ์ ๊ฒฝ์ฐ์๋ ๊ทธ๋ฌํ ๊ฐ์ ์ฐพ์์ผ ํฉ๋๋ค. , ์ด๋ ๊ณณ์์ ์ต๋์น์ ๋๋ฌํฉ๋๋ค.
์ฐ๋ ํจ์๊ฐ ์ต๋๊ฐ์ ๋๋ฌํ๋ ์ ์ ์๋ ๋งค๊ฐ๋ณ์์ ๊ฐ์ ์ฐพ๋ ์ค์ ์์ด๋์ด๋ ์ด๋์์ ์์ต๋๊น? ์ด ์์ด๋์ด์ ๊ธฐ์์ ํ๋ณธ์ด ๋ชจ์ง๋จ์ ๊ดํด ์ฐ๋ฆฌ๊ฐ ์ด์ฉํ ์ ์๋ ์ ์ผํ ์ง์์ ์์ฒ์ด๋ผ๋ ์์ด๋์ด์์ ๋น๋กฏ๋ฉ๋๋ค. ์ธ๊ตฌ์ ๋ํด ์ฐ๋ฆฌ๊ฐ ์๋ ๋ชจ๋ ๊ฒ์ด ํ๋ณธ์ ํ์๋ฉ๋๋ค. ๊ทธ๋ฌ๋ฏ๋ก ์ฐ๋ฆฌ๊ฐ ๋งํ ์ ์๋ ๊ฒ์ ํ๋ณธ์ด ์ฐ๋ฆฌ๊ฐ ์ด์ฉํ ์ ์๋ ๋ชจ์ง๋จ์ ๊ฐ์ฅ ์ ํํ๊ฒ ๋ฐ์ํ๋ค๋ ๊ฒ๋ฟ์ ๋๋ค. ๊ทธ๋ฌ๋ฏ๋ก ์ฐ๋ฆฌ๋ ์ด์ฉ ๊ฐ๋ฅํ ํ๋ณธ์ ๊ฐ๋ฅ์ฑ์ด ๊ฐ์ฅ ๋์ ๋งค๊ฐ๋ณ์๋ฅผ ์ฐพ์์ผ ํฉ๋๋ค.
๋ถ๋ช ํ ์ฐ๋ฆฌ๋ ํจ์์ ๊ทน์ ์ ์ฐพ์์ผ ํ๋ ์ต์ ํ ๋ฌธ์ ๋ฅผ ๋ค๋ฃจ๊ณ ์์ต๋๋ค. ๊ทน์ ์ ์ฐพ์ผ๋ ค๋ฉด XNUMX์ฐจ ์กฐ๊ฑด์ ๊ณ ๋ คํด์ผ ํฉ๋๋ค. ์ฆ, ํจ์์ ๋ํจ์๋ฅผ XNUMX์ผ๋ก ๋์ผ์ํ๊ณ ์ํ๋ ๋งค๊ฐ๋ณ์์ ๋ํด ๋ฐฉ์ ์์ ํ์ด์ผ ํฉ๋๋ค. ๊ทธ๋ฌ๋ ๋ง์ ์์ธ์ ๊ณฑ์ ํ์๋ฌผ์ ๊ฒ์ํ๋ ๊ฒ์ ์๊ฐ์ด ์ค๋ ๊ฑธ๋ฆด ์ ์์ต๋๋ค. ์ด๋ฅผ ํผํ๊ธฐ ์ํด ๋ก๊ทธ๋ก ์ ํํ๋ ํน๋ณํ ๊ธฐ์ ์ด ์์ต๋๋ค. ์ฐ๋ ํจ์. ๊ทธ๋ฌํ ์ ํ์ด ๊ฐ๋ฅํ ์ด์ ๋ ๋ฌด์์ ๋๊น? ํจ์ ์์ฒด์ ๊ทน๊ฐ์ ๊ตฌํ๋ ๊ฒ์ด ์๋๋ผ๋ ์ฌ์ค์ ์ฃผ๋ชฉํ์., ๊ทธ๋ฆฌ๊ณ ๊ทน์ , ์ฆ ์ ์ ์๋ ๋งค๊ฐ๋ณ์์ ๊ฐ , ์ด๋ ๊ณณ์์ ์ต๋์น์ ๋๋ฌํฉ๋๋ค. ๋ก๊ทธ๋ก ์ด๋ํ ๋ ๋ก๊ทธ๋ ๋จ์กฐ ํจ์์ด๋ฏ๋ก ๊ทน์ ์ ๋ณ๊ฒฝ๋์ง ์์ต๋๋ค(๊ทน๊ฐ ์์ฒด๋ ๋ค๋ฅด์ง๋ง).
์์ ๋ด์ฉ์ ๋ฐ๋ผ Vasya, Fedya ๋ฐ Lesha์ ๋์ถ์ ํตํด ๊ณ์ํด์ ์ฌ๋ก๋ฅผ ๊ฐ๋ฐํด ๋ณด๊ฒ ์ต๋๋ค. ๋จผ์ ๋ค์์ผ๋ก ๋์ด ๊ฐ์๋ค. ์ฐ๋ ํจ์์ ๋ก๊ทธ:
์ด์ ์ฐ๋ฆฌ๋ ํํ์ ๋ค์๊ณผ ๊ฐ์ด ์ฝ๊ฒ ๊ตฌ๋ณํ ์ ์์ต๋๋ค. :
๊ทธ๋ฆฌ๊ณ ๋ง์ง๋ง์ผ๋ก XNUMX์ฐจ ์กฐ๊ฑด์ ๊ณ ๋ คํฉ๋๋ค. ํจ์์ ๋ํจ์๋ฅผ XNUMX๊ณผ ๋์ผ์ํฉ๋๋ค.
๋ฐ๋ผ์ ๋์ถ ์ํ ๊ฐ๋ฅ์ฑ์ ๋ํ ์ง๊ด์ ์ธ ์ถ์ ์ ์ด๋ก ์ ์ผ๋ก ํ๋นํ๋ค.
์ข์ต๋๋ค. ํ์ง๋ง ์ด์ ์ด ์ ๋ณด๋ก ๋ฌด์์ ํด์ผ ํ ๊น์? ์ธ ๋ฒ์งธ ์ฐจ์ฉ์ธ์ด ๋ชจ๋ ๋์ ์ํ์ ๋ฐํํ์ง ์๋๋ค๊ณ ๊ฐ์ ํ๋ฉด ํ์๋ ํ์ฐ์ ์ผ๋ก ํ์ฐํ๊ฒ ๋ ๊ฒ์ ๋๋ค. ๋ง์ต๋๋ค. ํ์ง๋ง ๋์ถ ์ํ ํ๋ฅ ์ ํ๊ฐํ ๋๋ง ์ฐ๋ฆฌ๋ ๋์ถ ์ํ์ ์ํฅ์ ๋ฏธ์น๋ ์์, ์ฆ ์ฐจ์ฉ์ธ์ ๊ธ์ฌ ๋ฐ ์๋ณ ์ง๋ถ ๊ท๋ชจ๋ฅผ ๊ณ ๋ คํ์ง ์์์ต๋๋ค. ์ด์ ์ ๋์ผํ ์์๋ฅผ ๊ณ ๋ คํ์ฌ ๊ฐ ๊ณ ๊ฐ์ ๋์ถ ์ํ ํ๋ฅ ์ ๊ณ์ฐํ๋ค๋ ๊ฒ์ ๊ธฐ์ตํ์ญ์์ค. ์ฐ๋ฆฌ๊ฐ ์์ ๋์ผ๊ณผ ๋ค๋ฅธ ํ๋ฅ ์ ์ป์ ๊ฒ์ ๋ ผ๋ฆฌ์ ์ ๋๋ค. .
ํ๋ณธ์ ์ฐ๋๋ฅผ ์ ์ํด ๋ณด๊ฒ ์ต๋๋ค.
ํ๋ณธ ์ฐ๋ ๊ณ์ฐ์ ์ํ ์ฝ๋
from functools import reduce
def likelihood(y,p):
line_true_proba = []
for i in range(len(y)):
ltp_i = p[i]**y[i]*(1-p[i])**(1-y[i])
line_true_proba.append(ltp_i)
likelihood = []
return reduce(lambda a, b: a*b, line_true_proba)
y = [1.0,1.0,0.0]
p_log_response = df['Probability']
const = 2.0/3.0
p_const = [const, const, const]
print 'ะัะฐะฒะดะพะฟะพะดะพะฑะธะต ะฒัะฑะพัะบะธ ะฟัะธ ะบะพะฝััะฐะฝัะฝะพะผ ะทะฝะฐัะตะฝะธะธ p=2/3:', round(likelihood(y,p_const),3)
print '****************************************************************************************************'
print 'ะัะฐะฒะดะพะฟะพะดะพะฑะธะต ะฒัะฑะพัะบะธ ะฟัะธ ัะฐััะตัะฝะพะผ ะทะฝะฐัะตะฝะธะธ p:', round(likelihood(y,p_log_response),3)
์ผ์ ํ ๊ฐ์ ํ๋ณธ ์ฐ๋ :
์์ธ์ ๊ณ ๋ คํ์ฌ ๋์ถ ์ํ ํ๋ฅ ์ ๊ณ์ฐํ ๋ ์ํ ๊ฐ๋ฅ์ฑ :
์์ธ์ ๋ฐ๋ผ ๊ณ์ฐ๋ ํ๋ฅ ๋ก ํ๋ณธ์ ์ฐ๋๊ฐ ์ผ์ ํ ํ๋ฅ ๊ฐ์ผ๋ก ๊ณ์ฐ๋ ์ฐ๋๋ณด๋ค ๋์ ๊ฒ์ผ๋ก ๋ํ๋ฌ์ต๋๋ค. ์ด๊ฒ์ ๋ฌด์์ ์๋ฏธ ํ๋๊ฐ? ์ด๋ ์์ธ์ ๋ํ ์ง์์ ํตํด ๊ฐ ๊ณ ๊ฐ์ ๋์ถ ์ํ ํ๋ฅ ์๋ณด๋ค ์ ํํ๊ฒ ์ ํํ ์ ์์์ ์์ฌํฉ๋๋ค. ๋ฐ๋ผ์ ๋ค์ ๋์ถ์ ๋ฐํํ ๋ ๋ถ์ฑ ์ํ ๊ฐ๋ฅ์ฑ์ ํ๊ฐํ๊ธฐ ์ํด ๊ธฐ์ฌ์ ์น์ 3 ๋ ๋ถ๋ถ์ ์ ์๋ ๋ชจ๋ธ์ ์ฌ์ฉํ๋ ๊ฒ์ด ๋ ์ ํํ ๊ฒ์ ๋๋ค.
ํ์ง๋ง ์ต๋ํํ๊ณ ์ถ๋ค๋ฉด ํ๋ณธ ์ฐ๋ ํจ์, ๊ทธ๋ ๋ค๋ฉด Vasya, Fedya ๋ฐ Lesha์ ๋ํ ํ๋ฅ (์: ๊ฐ๊ฐ 0.99, 0.99 ๋ฐ 0.01)์ ์์ฑํ๋ ์ผ๋ถ ์๊ณ ๋ฆฌ์ฆ์ ์ฌ์ฉํ๋ ๊ฒ์ ์ด๋ป์ต๋๊น? ์๋ง๋ ๊ทธ๋ฌํ ์๊ณ ๋ฆฌ์ฆ์ ํ๋ จ ํ๋ณธ์์ ์ ์ํ๋ ๊ฒ์ ๋๋ค. ์๋ํ๋ฉด ํ๋ณธ ์ฐ๋ ๊ฐ์ , ๊ทธ๋ฌ๋ ์ฒซ์งธ, ์ด๋ฌํ ์๊ณ ๋ฆฌ์ฆ์ ์ผ๋ฐํ ๋ฅ๋ ฅ์ ์ด๋ ค์์ ๊ฒช์ ๊ฐ๋ฅ์ฑ์ด ๋์ผ๋ฉฐ ๋์งธ, ์ด ์๊ณ ๋ฆฌ์ฆ์ ํ์คํ ์ ํ์ด ์๋ ๊ฒ์ ๋๋ค. ๊ทธ๋ฆฌ๊ณ ๊ณผ๋ํ ํ๋ จ(์ฝํ ์ผ๋ฐํ ๋ฅ๋ ฅ)์ ๋ฐฉ์งํ๋ ๋ฐฉ๋ฒ์ด ์ด ๊ธฐ์ฌ์ ๊ณํ์ ๋ถ๋ช ํ ํฌํจ๋์ง ์์ ๊ฒฝ์ฐ ๋ ๋ฒ์งธ ์ฌํญ์ ๋ ์์ธํ ์ดํด๋ณด๊ฒ ์ต๋๋ค. ์ด๋ ๊ฒ ํ๋ ค๋ฉด ๊ฐ๋จํ ์ง๋ฌธ์ ๋๋ตํ๋ฉด ๋ฉ๋๋ค. ์ฐ๋ฆฌ์๊ฒ ์๋ ค์ง ์์ธ์ ๊ณ ๋ คํ ๋ Vasya์ Fedya๊ฐ ๋์ถ๊ธ์ ์ํํ ํ๋ฅ ์ด ๋์ผํ ์ ์์ต๋๊น? ๊ฑด์ ํ ๋ ผ๋ฆฌ์ ๊ด์ ์์ ๋ณด๋ฉด ๋ฌผ๋ก ๊ทธ๋ ์ง ์์ต๋๋ค. ๋ฐ๋ผ์ Vasya๋ ๋์ถ ์ํ์ ์ํด ์๊ธ์ 2.5%๋ฅผ ์ง๋ถํ๊ณ Fedya๋ ๊ฑฐ์ 27,8%๋ฅผ ์ง๋ถํฉ๋๋ค. ๋ํ ๊ทธ๋ํ 2 "ํด๋ผ์ด์ธํธ ๋ถ๋ฅ"์์ Vasya๊ฐ Fedya๋ณด๋ค ํด๋์ค๋ฅผ ๊ตฌ๋ถํ๋ ์ ์์ ํจ์ฌ ๋ ๋ฉ๋ฆฌ ๋จ์ด์ ธ ์์์ ์ ์ ์์ต๋๋ค. ๊ทธ๋ฆฌ๊ณ ๋ง์ง๋ง์ผ๋ก, ์ฐ๋ฆฌ๋ ๋ค์๊ณผ ๊ฐ์ ๊ธฐ๋ฅ์ ์๊ณ ์์ต๋๋ค. Vasya์ Fedya์ ๊ฒฝ์ฐ Vasya์ ๊ฒฝ์ฐ 4.24, Fedya์ ๊ฒฝ์ฐ 1.0์ด๋ผ๋ ์๋ก ๋ค๋ฅธ ๊ฐ์ ์ฌ์ฉํฉ๋๋ค. ์๋ฅผ ๋ค์ด Fedya๊ฐ ๋ ๋ง์ ์์ต์ ์ป๊ฑฐ๋ ๋ ์ ์ ๋์ถ์ ์์ฒญํ ๊ฒฝ์ฐ Vasya์ Fedya์ ๋ํ ๋์ถ๊ธ ์ํ ํ๋ฅ ์ ๋น์ทํ ๊ฒ์ ๋๋ค. ์ฆ, ์ ํ ์์กด์ฑ์ ์์ผ ์ ์์ต๋๋ค. ๊ทธ๋ฆฌ๊ณ ์ค์ ๋ก ํ๋ฅ ์ ๊ณ์ฐํด ๋ณธ๋ค๋ฉด , ๊ทธ๋ฆฌ๊ณ ๊ทธ๊ฒ๋ค์ ํ๊ณต์์ ๊บผ๋ด์ง ์์๊ธฐ ๋๋ฌธ์ ์ฐ๋ฆฌ๋ ์ฐ๋ฆฌ์ ๊ฐ์น๊ฐ ๋ค์๊ณผ ๊ฐ๋ค๊ณ ์์ ํ๊ฒ ๋งํ ์ ์์ต๋๋ค. ๊ฐ ์ฐจ์ฉ์ธ์ ๋์ถ ์ํ ํ๋ฅ ์ ๊ฐ์ฅ ์ ์ถ์ ํ ์ ์์ง๋ง ๊ณ์์ ๊ฒฐ์ ์ ๋ค์๊ณผ ๊ฐ์ด ๊ฐ์ ํ๊ธฐ๋ก ๋์ํ๊ธฐ ๋๋ฌธ์ ๋๋ค. ๋ชจ๋ ๊ท์น์ ๋ฐ๋ผ ์ํ๋์์ผ๋ฉด ๊ทธ๋ ๊ฒ ๊ฐ์ ํ๊ฒ ์ต๋๋ค. ๊ณ์๋ฅผ ์ฌ์ฉํ๋ฉด ํ๋ฅ ์ ๋ ์ ์ถ์ ํ ์ ์์ต๋๋ค. :)
๊ทธ๋ฌ๋ ์ฐ๋ฆฌ๋ ๋น๋๊ฐ๋ค. ์ด ์น์ ์์๋ ๊ฐ์ค์น ๋ฒกํฐ๊ฐ ์ด๋ป๊ฒ ๊ฒฐ์ ๋๋์ง ์ดํดํด์ผ ํฉ๋๋ค. , ์ด๋ ๊ฐ ์ฐจ์ฉ์ธ์ ๋์ถ ์ํ ๊ฐ๋ฅ์ฑ์ ํ๊ฐํ๋ ๋ฐ ํ์ํฉ๋๋ค.
์ฐ๋ฆฌ๊ฐ ํ๋ฅ ์ ์ฐพ๊ธฐ ์ํด ์ด๋ค ๋ฌด๊ธฐ๊ณ ๋ฅผ ์ฌ์ฉํ๋์ง ๊ฐ๋ตํ๊ฒ ์์ฝํ๊ฒ ์ต๋๋ค. :
1. ๋ชฉํ๋ณ์(์์ธก๊ฐ)์ ๊ฒฐ๊ณผ์ ์ํฅ์ ๋ฏธ์น๋ ์์ธ์ ๊ด๊ณ๋ ์ ํ์ ์ด๋ผ๊ณ ๊ฐ์ ํ๋ค. ์ด๋ฌํ ์ด์ ๋ก ์ฌ์ฉ๋ฉ๋๋ค. ์ ํ ํ๊ท ํจ์ ์ข , ๊ฐ์ฒด(ํด๋ผ์ด์ธํธ)๋ฅผ ํด๋์ค๋ก ๋๋๋ ์ ะธ ๋๋ (๋์ถ๊ธ์ ์ํํ ์ ์๋ ๊ณ ๊ฐ๊ณผ ๊ทธ๋ ์ง ์์ ๊ณ ๊ฐ) ์ฐ๋ฆฌ์ ๊ฒฝ์ฐ ๋ฐฉ์ ์์ ํ์์ ๋ค์๊ณผ ๊ฐ์ต๋๋ค. .
2. ์ฐ๋ฆฌ๋ ์ญ๋ก์ง ํจ์ ์ข ํด๋์ค์ ์ํ๋ ๊ฐ์ฒด์ ํ๋ฅ ์ ํ์ธํ๋ ค๋ฉด .
3. ์ฐ๋ฆฌ๋ ํ๋ จ ์ธํธ๋ฅผ ์ผ๋ฐํ๋ ๊ตฌํ์ผ๋ก ๊ฐ์ฃผํฉ๋๋ค. ๋ฒ ๋ฅด๋์ด ๋ฐฉ์์ฆ, ๊ฐ ๊ฐ์ฒด์ ๋ํด ํ๋ฅ ๋ณ์๊ฐ ์์ฑ๋ฉ๋๋ค. (๊ฐ ๊ฐ์ฒด์ ๋ํด ์์ฒด) ๊ฐ 1์ ์ทจํ๊ณ ํ๋ฅ ๋ก - 0.
4. ์ฐ๋ฆฌ๋ ๊ทน๋ํํด์ผ ํ ๊ฒ์ด ๋ฌด์์ธ์ง ์๊ณ ์์ต๋๋ค. ํ๋ณธ ์ฐ๋ ํจ์ ์ฌ์ฉ ๊ฐ๋ฅํ ์ํ์ด ๊ฐ์ฅ ๊ทธ๋ด๋ฏํด ์ง๋๋ก ํ์ฉ๋๋ ์์๋ฅผ ๊ณ ๋ คํฉ๋๋ค. ์ฆ, ํ๋ณธ์ด ๊ฐ์ฅ ๊ทธ๋ด๋ฏํ ๋งค๊ฐ๋ณ์๋ฅผ ์ ํํด์ผ ํฉ๋๋ค. ์ฐ๋ฆฌ์ ๊ฒฝ์ฐ ์ ํ๋ ๋งค๊ฐ๋ณ์๋ ๋์ถ ์ํ ํ๋ฅ ์ ๋๋ค. , ์ด๋ ์ ์ ์๋ ๊ณ์์ ๋ฐ๋ผ ๋ฌ๋ผ์ง๋๋ค. . ๋ฐ๋ผ์ ์ฐ๋ฆฌ๋ ๊ทธ๋ฌํ ๊ฐ์ค์น ๋ฒกํฐ๋ฅผ ์ฐพ์์ผ ํฉ๋๋ค. , ํ๋ณธ์ ๊ฐ๋ฅ์ฑ์ด ์ต๋๊ฐ ๋ฉ๋๋ค.
5. ์ฐ๋ฆฌ๋ ๋ฌด์์ ๊ทน๋ํํด์ผ ํ๋์ง ์๊ณ ์์ต๋๋ค. ํ๋ณธ ์ฐ๋ ํจ์ ์ฌ์ฉํ ์์๋ค. ์ต๋์ฐ๋๋ฒ. ๊ทธ๋ฆฌ๊ณ ์ฐ๋ฆฌ๋ ์ด ๋ฐฉ๋ฒ์ ์ฌ์ฉํ๋ ๋ฐ ํ์ํ ๋ชจ๋ ๊น๋ค๋ก์ด ์๋ น์ ์๊ณ ์์ต๋๋ค.
์ด๊ฒ์ด ๋ค๋จ๊ณ ์ด๋์ผ๋ก ๋ฐํ์ง๋ ๋ฐฉ๋ฒ์ ๋๋ค :)
์ด์ ์ด ๊ธ์ ์์ ๋ถ๋ถ์์ ์ฐ๋ฆฌ๋ ๋ ๊ฐ์ง ์ ํ์ ์์ค ํจ์๋ฅผ ๋์ถํ๋ ค๊ณ ํ๋ค๋ ์ ์ ๊ธฐ์ตํ์ธ์. ๋ฌผ๋ฅ ์์ค ๊ฐ์ฒด ํด๋์ค๊ฐ ์ด๋ป๊ฒ ์ง์ ๋๋์ง์ ๋ฐ๋ผ ๋ค๋ฆ ๋๋ค. ๋ ํด๋์ค์ ๋ถ๋ฅ ๋ฌธ์ ์์ ํด๋์ค๋ ๋ค์๊ณผ ๊ฐ์ด ํ์๋ฉ๋๋ค. ะธ ๋๋ . ํ๊ธฐ๋ฒ์ ๋ฐ๋ผ ์ถ๋ ฅ์๋ ํด๋น ์์ค ํจ์๊ฐ ์์ต๋๋ค.
์ฌ๋ก 1. ๊ฐ์ฒด ๋ถ๋ฅ ะธ
์ด์ ์๋ ์ฐจ์ฉ์ธ์ ๋ถ์ฑ ์ํ ํ๋ฅ ์ด ์์ธ๊ณผ ์ฃผ์ด์ง ๊ณ์๋ฅผ ๊ธฐ๋ฐ์ผ๋ก ๊ณ์ฐ๋๋ ํ๋ณธ์ ๊ฐ๋ฅ์ฑ์ ๊ฒฐ์ ํ ๋ , ์ฐ๋ฆฌ๋ ๊ณต์์ ์ ์ฉํ์ต๋๋ค:
์ค์ ๋ก ์๋ฏธ๋ ๋ฌผ๋ฅ ์๋ต ๊ธฐ๋ฅ ์ฃผ์ด์ง ๊ฐ์ค์น ๋ฒกํฐ์ ๋ํด
๊ทธ๋ฌ๋ฉด ๋ค์๊ณผ ๊ฐ์ด ํ๋ณธ ์ฐ๋ ํจ์๋ฅผ ์์ฑํ๋ ๋ฐ ๋ฐฉํด๊ฐ ๋๋ ๊ฒ์ด ์์ต๋๋ค.
์ผ๋ถ ์ด๋ณด ๋ถ์๊ฐ๊ฐ ์ด ๊ธฐ๋ฅ์ ์๋ ๋ฐฉ์์ ์ฆ์ ์ดํดํ๊ธฐ ์ด๋ ค์ด ๊ฒฝ์ฐ๊ฐ ์์ต๋๋ค. ๋ชจ๋ ๊ฒ์ ์ ๋ฆฌํ ์ ์๋ 4๊ฐ์ง ์งง์ ์๋ฅผ ์ดํด๋ณด๊ฒ ์ต๋๋ค.
1. ๋ฉด (์ฆ, ํ๋ จ ์ํ์ ๋ฐ๋ฅด๋ฉด ๊ฐ์ฒด๋ ํด๋์ค +1์ ์ํฉ๋๋ค) ๊ทธ๋ฆฌ๊ณ ์ฐ๋ฆฌ์ ์๊ณ ๋ฆฌ์ฆ์ ๊ฐ์ฒด๋ฅผ ํด๋์ค๋ก ๋ถ๋ฅํ ํ๋ฅ ์ ๊ฒฐ์ ํฉ๋๋ค. 0.9์ ๊ฐ์ผ๋ฉด ์ด ํ๋ณธ ์ฐ๋ ์กฐ๊ฐ์ ๋ค์๊ณผ ๊ฐ์ด ๊ณ์ฐ๋ฉ๋๋ค.
2. ๋ฉด ๊ณผ , ๊ณ์ฐ์ ๋ค์๊ณผ ๊ฐ์ต๋๋ค.
3. ๋ฉด ๊ณผ , ๊ณ์ฐ์ ๋ค์๊ณผ ๊ฐ์ต๋๋ค.
4. ๋ฉด ๊ณผ , ๊ณ์ฐ์ ๋ค์๊ณผ ๊ฐ์ต๋๋ค.
๊ฐ์ฒด๋ฅผ ํด๋์ค์ ํ ๋นํ ํ๋ฅ ์ ์ฌ๋ฐ๋ฅด๊ฒ ์ถ์ธกํ ๊ฒฝ์ฐ 1๊ณผ 3 ๋๋ ์ผ๋ฐ์ ์ธ ๊ฒฝ์ฐ์ ์ฐ๋ ํจ์๊ฐ ์ต๋ํ๋ ๊ฒ์ด ๋ถ๋ช ํฉ๋๋ค. .
๊ฐ์ฒด๋ฅผ ํด๋์ค์ ํ ๋นํ ํ๋ฅ ์ ๊ฒฐ์ ํ ๋ ์ฐ๋ฆฌ๋ ๊ณ์๋ง ๋ชจ๋ฅธ๋ค , ๊ทธ๋ฌ๋ฉด ์ฐ๋ฆฌ๋ ๊ทธ๋ค์ ์ฐพ์ ๊ฒ์ ๋๋ค. ์์์ ์ธ๊ธํ๋ฏ์ด ์ด๊ฒ์ ๋จผ์ ๊ฐ์ค์น ๋ฒกํฐ์ ๋ํ ์ฐ๋ ํจ์์ ๋ํจ์๋ฅผ ์ฐพ์์ผ ํ๋ ์ต์ ํ ๋ฌธ์ ์ ๋๋ค. . ๊ทธ๋ฌ๋ ๋จผ์ ์์ ์ ๋จ์ํํ๋ ๊ฒ์ด ํฉ๋ฆฌ์ ์ ๋๋ค. ๋ก๊ทธ์ ๋ฏธ๋ถ์ ์ฐพ์ ๊ฒ์ ๋๋ค. ์ฐ๋ ํจ์.
์ ๋ก๊ทธ ๋ค์์, ๋ก์ง์คํฑ ์ค๋ฅ ํจ์, ์ฐ๋ฆฌ๋ ๊ธฐํธ๋ฅผ ๋ค์์์ ๋ณ๊ฒฝํ์ต๋๋ค. ์ . ๋ชจ๋ธ์ ํ์ง์ ํ๊ฐํ๋ ๋ฌธ์ ์์๋ ํจ์์ ๊ฐ์ ์ต์ํํ๋ ๊ฒ์ด ๊ด๋ก์ด๋ฏ๋ก ํํ์์ ์ค๋ฅธ์ชฝ์ ๋ค์์ ๊ณฑํ์ต๋๋ค. ๋ฐ๋ผ์ ์ต๋ํํ๋ ๋์ ์ด์ ๊ธฐ๋ฅ์ ์ต์ํํฉ๋๋ค.
์ฌ์ค ์ง๊ธ ์ฌ๋ฌ๋ถ์ ๋์์์ ์์คํจ์๋ ๊ณต๋ค์ฌ ๋์ถ๋์ด ์์ต๋๋ค - ๋ฌผ๋ฅ ์์ค ๋ ๊ฐ์ ํด๋์ค๊ฐ ์๋ ํ๋ จ ์ธํธ์ ๊ฒฝ์ฐ: ะธ .
์ด์ ๊ณ์๋ฅผ ์ฐพ์ผ๋ ค๋ฉด ๋ํจ์๋ง ๊ตฌํ๋ฉด ๋ฉ๋๋ค. ๋ก์ง์คํฑ ์ค๋ฅ ํจ์ ๊ทธ๋ฐ ๋ค์ ๊ฒฝ์ฌํ๊ฐ๋ฒ์ด๋ ํ๋ฅ ์ ๊ฒฝ์ฌํ๊ฐ๋ฒ๊ณผ ๊ฐ์ ์์น ์ต์ ํ ๋ฐฉ๋ฒ์ ์ฌ์ฉํ์ฌ ๊ฐ์ฅ ์ต์ ์ ๊ณ์๋ฅผ ์ ํํฉ๋๋ค. . ๊ทธ๋ฌ๋ ๊ธฐ์ฌ์ ์์ด ์๋นํ๊ธฐ ๋๋ฌธ์ ์ค์ค๋ก ์ฐจ๋ณํ๋ฅผ ์ํํ๋ ๊ฒ์ด ์ข์ต๋๋ค. ์๋๋ฉด ์ด๋ฌํ ์์ธํ ์ ์์ด ์ฐ์ ์ด ๋ง์ ๋ค์ ๊ธฐ์ฌ์ ์ฃผ์ ๊ฐ ๋ ์๋ ์์ต๋๋ค.
์ฌ๋ก 2. ๊ฐ์ฒด ๋ถ๋ฅ ะธ
์ฌ๊ธฐ์ ์ ๊ทผ ๋ฐฉ์์ ํด๋์ค์ ๋์ผํฉ๋๋ค. ะธ , ๊ทธ๋ฌ๋ ์์ค ํจ์์ ์ถ๋ ฅ์ ๋ํ ๊ฒฝ๋ก ์์ฒด ๋ฌผ๋ฅ ์์ค, ๋ ํ๋ คํด์ง ๊ฒ์ ๋๋ค. ์์ํ์. ์ฐ๋ ํจ์์ ๊ฒฝ์ฐ ์ฐ์ฐ์๋ฅผ ์ฌ์ฉํฉ๋๋ค. โ๋ง์ฝโฆ๊ทธ๋ผโฆโ. ์ฆ, ๋ง์ฝ ๋ฒ์งธ ๊ฐ์ฒด๋ ํด๋์ค์ ์ํฉ๋๋ค ๊ทธ๋ฐ ๋ค์ ํ๋ณธ์ ์ฐ๋๋ฅผ ๊ณ์ฐํ๊ธฐ ์ํด ํ๋ฅ ์ ์ฌ์ฉํฉ๋๋ค. , ๊ฐ์ฒด๊ฐ ํด๋์ค์ ์ํ๋ ๊ฒฝ์ฐ , ๊ทธ๋ฐ ๋ค์ ์ฐ๋๋ฅผ ๋์ฒดํฉ๋๋ค. . ์ฐ๋ ํจ์๋ ๋ค์๊ณผ ๊ฐ์ต๋๋ค.
๊ทธ๊ฒ์ด ์ด๋ป๊ฒ ์๋ํ๋์ง ์๊ฐ๋ฝ์ผ๋ก ์ค๋ช ํด ๋ณด๊ฒ ์ต๋๋ค. 4๊ฐ์ง ๊ฒฝ์ฐ๋ฅผ ๊ณ ๋ คํด ๋ณด๊ฒ ์ต๋๋ค.
1. ๋ฉด ะธ , ์ํ๋ง ๊ฐ๋ฅ์ฑ์ "์งํ"๋ฉ๋๋ค.
2. ๋ฉด ะธ , ์ํ๋ง ๊ฐ๋ฅ์ฑ์ "์งํ"๋ฉ๋๋ค.
3. ๋ฉด ะธ , ์ํ๋ง ๊ฐ๋ฅ์ฑ์ "์งํ"๋ฉ๋๋ค.
4. ๋ฉด ะธ , ์ํ๋ง ๊ฐ๋ฅ์ฑ์ "์งํ"๋ฉ๋๋ค.
์ฌ๋ก 1๊ณผ 3์ ๊ฒฝ์ฐ ์๊ณ ๋ฆฌ์ฆ์ ์ํด ํ๋ฅ ์ด ์ฌ๋ฐ๋ฅด๊ฒ ๊ฒฐ์ ๋๋ฉด ์ฐ๋ ํจ์ ์ฆ, ์ด๊ฒ์ด ๋ฐ๋ก ์ฐ๋ฆฌ๊ฐ ์ป๊ณ ์ ํ๋ ๊ฒ์ ๋๋ค. ๊ทธ๋ฌ๋ ์ด ์ ๊ทผ ๋ฐฉ์์ ์๋นํ ๋ฒ๊ฑฐ๋กญ๊ธฐ ๋๋ฌธ์ ๋ค์์๋ ๋ณด๋ค ๊ฐ๊ฒฐํ ํ๊ธฐ๋ฒ์ ๊ณ ๋ คํด ๋ณด๊ฒ ์ต๋๋ค. ํ์ง๋ง ๋จผ์ ๋ถํธ๋ฅผ ๋ณ๊ฒฝํ์ฌ ์ฐ๋ ํจ์๋ฅผ ๋ก๊ทธํด ๋ณด๊ฒ ์ต๋๋ค. ์ด์ ์ด๋ฅผ ์ต์ํํ ๊ฒ์ด๊ธฐ ๋๋ฌธ์ ๋๋ค.
๋์ ์ ๋์ฒดํ์ ํํ :
๊ฐ๋จํ ์ฐ์ ๊ธฐ๋ฒ์ ์ฌ์ฉํ์ฌ ๋ก๊ทธ ์๋์์ ์ฌ๋ฐ๋ฅธ ํญ์ ๋จ์ํํ๊ณ ๋ค์์ ์ป์ต๋๋ค.
์ด์ ์ด์์๋ฅผ ์ ๊ฑฐํ ์๊ฐ์ด๋ค โ๋ง์ฝโฆ๊ทธ๋ผโฆโ. ์ฐธ๊ณ ๋ก ๊ฐ์ฒด๊ฐ ์์ ๋ ํด๋์ค์ ์ํด์์ต๋๋ค , ๋ก๊ทธ ์๋์ ํํ์์์ ๋ถ๋ชจ์, ๊ถ๋ ฅ์ผ๋ก ์ฌ๋ผ์ฐ๋ค , ๊ฐ์ฒด๊ฐ ํด๋์ค์ ์ํ๋ ๊ฒฝ์ฐ , $e$๊ฐ ๊ฑฐ๋ญ์ ๊ณฑ๋ฉ๋๋ค. . ๋ฐ๋ผ์ ๋ ๊ฒฝ์ฐ๋ฅผ ํ๋๋ก ๊ฒฐํฉํ์ฌ ํ์ ํ๊ธฐ๋ฅผ ๋จ์ํํ ์ ์์ต๋๋ค. . ๊ทธ๋ฐ ๋ค์ ๋ก์ง์คํฑ ์ค๋ฅ ํจ์ ๋ค์๊ณผ ๊ฐ์ ํ์์ ์ทจํฉ๋๋ค.
๋ก๊ทธ ๊ท์น์ ๋ฐ๋ผ ๋ถ์๋ฅผ ๋ค์ง์ด์ " ๊ธฐํธ๋ฅผ ํ์ํฉ๋๋ค."(๋ง์ด๋์ค) ๋ก๊ทธ์ ๋ํด ๋ค์์ ์ป์ต๋๋ค.
์์ค ํจ์๋ ๋ค์๊ณผ ๊ฐ์ต๋๋ค. ๋ฌผ๋ฅ ์์ค, ํด๋์ค์ ํ ๋น๋ ๊ฐ์ฒด์ ํจ๊ป ํ๋ จ ์ธํธ์ ์ฌ์ฉ๋ฉ๋๋ค. ะธ .
๊ธ์, ์ด ์์ ์์ ๋๋ ์๋ณ ์ธ์ฌ๋ฅผ ํ๊ณ ๊ธฐ์ฌ๋ฅผ ๋ง๋ฌด๋ฆฌํฉ๋๋ค.
๋ณด์กฐ์ฌ๋ฃ
1. ๋ฌธํ
1) ์์ฉํ๊ท๋ถ์ / N. Draper, G. Smith - 2nd ed. โ M.: ๊ธ์ต ๋ฐ ํต๊ณ, 1986(์์ด ๋ฒ์ญ)
2) ํ๋ฅ ์ด๋ก ๊ณผ ์๋ฆฌํต๊ณ / V.E. Gmurman - 9ํ. - ๋จ: ๊ณ ๋ฑํ๊ต, 2003
3) ํ๋ฅ ์ด๋ก / N.I. ์ฒด๋ฅด๋ ธ๋ฐ - ๋ ธ๋ณด์๋น๋ฅด์คํฌ: ๋ ธ๋ณด์๋น๋ฅด์คํฌ ์ฃผ๋ฆฝ๋ํ๊ต, 2007
4) ๋น์ฆ๋์ค ๋ถ์: ๋ฐ์ดํฐ์์ ์ง์์ผ๋ก / Paklin N. B., Oreshkov V. I. - 2nd ed. โ ์ํธํํ ๋ฅด๋ถ๋ฅดํฌ: ํผํฐ, 2013
5) ๋ฐ์ดํฐ ๊ณผํ ์ฒ์๋ถํฐ ๋ฐ์ดํฐ ๊ณผํ / ์กฐ์ ๊ทธ๋ผ - ์ํธํํ ๋ฅด๋ถ๋ฅดํฌ: BHV ํผํฐ์ค๋ฒ๊ทธ, 2017
6) ๋ฐ์ดํฐ ๊ณผํ ์ ๋ฌธ๊ฐ๋ฅผ ์ํ ์ค์ฉ ํต๊ณ / P. Bruce, E. Bruce - St. Petersburg: BHV Petersburg, 2018
2. ๊ฐ์, ๊ฐ์ข(๋์์)
1)
2)
3)
4)
5)
3. ์ธํฐ๋ท ์์ค
1)
2)
4)
์ถ์ฒ : habr.com