기본 콘텐츠로 건너뛰기

[ML] 결정트리(Decision Tree) 모델

조합과 순열


조합과 순열 (Combination & Permutation)

조합의 정의
조합은 전체 집합중에서 일정한 수의 부분집합을 선택하는 방법의 수로 그 순서는 고려하지 않습니다. 다음과 같이 나타내지요.

$\left( \begin{array}{rr} n \\ p \end{array}\right)$ or $C_n^p$ 로 표현합니다.
위의 의미는 전체 n 원소들로 이루어진 집합에서 p개의 일부 원소들 취해 부분집합을 만드는 방법으로 위의 표현은 $n^p$로 계산됩니다.
2진법으로 6자리를 만드는 방법의 수는 다음과 같이 계산됩니다.
$\left( \begin{array}{rr} 2 \\ 6 \end{array}\right)=2^6$
모든 자리에 0, 1 중의 하나를 선택하고 이러한 경우가 6번이므로 $2 \times 2 \times 2 \times 2 \times 2 \times 2$이 됩니다. 위와 같은 결과이지요.

{a, b, c, d, e} 중에서 서로 다른 세개만을 선택하는 방법을 생각해보면 먼저 a를 선택한 후 나머지를 선택하는 방법은 다음과 같이 12가지가 됩니다.

a
b
c


d


e

c
b


d


e

d
b


c


e

e
b


c


d

먼저 취한 값이 a외에 4가지가 더 존재합니다. 5가지이요. 그러므로 위와 같이 선택할 수 있는 방법은 총 $5 \times 12$= 60가지 입니다. 이 계산은 첫자리에 올수 있는 갯수는 5, 두번째 자리에 올수 있는 갯수는 4개 마지막 자리에 올수 있는 갯수는 3개로 $5\times 4\times \3$=60으로 계산할 수 있습니다.

이와같이 정렬의 순서를 고려하는 경우에서의 선택의 방법을 순열(permutation)이라고 합니다.

순열의 정의
전체 집합에서 순서를 고려하여 만들 수 있는 부분집합의 수로서 다음과 같이 나타냅니다.
$A^P_n = n(n-1)(n-2)\cdots (n-p+1)$

위의 경우에서 순서를 고려하지 않는다면 선택할 수 있는 경우의 수는 어떻게 될까요? 위의 순열의 결과 중에서 중복되는 부분을 제외하면 abc, abd, ade, acd, ace, ade, bcd, bce, bde, cde로 총 10가지가 됩니다. 이 과정을 일반화하여 조합을 다음과 같이 정의할 수 있습니다.

조합의 정의
$C^p_n = \frac{n(n-1)(n-2) \cdots (n-p+1)}{p!}=\frac{n!}{p!(n-p)!}$

조합공식은 다음과 같이 나타낼 수 있습니다.
$C^p_n = C^{n-p}_n$
$C^p_n=C^{p-1}_{n-1} + C^p_{n-1}$
위 조합 공식으로 다항식(a+b)^n을 나타낼 수 있습니다.
$(a+b)^2 = 1a^2 + 2ab + 1b^2 =C^0_2 a^2 b^0 + C^1_2 a^1b^1 +C^2_2 a^0b^2$
위 식을 일반화 하면 다음과 같습니다.
$(a+b)^n = \sum^n_{k=0} C^k_n a^{n-k} b^k$

댓글

이 블로그의 인기 게시물

[Linear Algebra] 유사변환(Similarity transformation)

유사변환(Similarity transformation) n×n 차원의 정방 행렬 A, B 그리고 가역 행렬 P 사이에 식 1의 관계가 성립하면 행렬 A와 B는 유사행렬(similarity matrix)이 되며 행렬 A를 가역행렬 P와 B로 분해하는 것을 유사 변환(similarity transformation) 이라고 합니다. $$\tag{1} A = PBP^{-1} \Leftrightarrow P^{-1}AP = B $$ 식 2는 식 1의 양변에 B의 고유값을 고려한 것입니다. \begin{align}\tag{식 2} B - \lambda I &= P^{-1}AP – \lambda P^{-1}P\\ &= P^{-1}(AP – \lambda P)\\ &= P^{-1}(A - \lambda I)P \end{align} 식 2의 행렬식은 식 3과 같이 정리됩니다. \begin{align} &\begin{aligned}\textsf{det}(B - \lambda I ) & = \textsf{det}(P^{-1}(AP – \lambda P))\\ &= \textsf{det}(P^{-1}) \textsf{det}((A – \lambda I)) \textsf{det}(P)\\ &= \textsf{det}(P^{-1}) \textsf{det}(P) \textsf{det}((A – \lambda I))\\ &= \textsf{det}(A – \lambda I)\end{aligned}\\ &\begin{aligned}\because \; \textsf{det}(P^{-1}) \textsf{det}(P) &= \textsf{det}(P^{-1}P)\\ &= \textsf{det}(I)\end{aligned}\end{align} 유사행렬의 특성 유사행렬인 두 정방행렬 A와 B는 'A ~ B' 와 같

[matplotlib] 히스토그램(Histogram)

히스토그램(Histogram) 히스토그램은 확률분포의 그래픽적인 표현이며 막대그래프의 종류입니다. 이 그래프가 확률분포와 관계가 있으므로 통계적 요소를 나타내기 위해 많이 사용됩니다. plt.hist(X, bins=10)함수를 사용합니다. x=np.random.randn(1000) plt.hist(x, 10) plt.show() 위 그래프의 y축은 각 구간에 해당하는 갯수이다. 빈도수 대신 확률밀도를 나타내기 위해서는 위 함수의 매개변수 normed=True로 조정하여 나타낼 수 있다. 또한 매개변수 bins의 인수를 숫자로 전달할 수 있지만 리스트 객체로 지정할 수 있다. 막대그래프의 경우와 마찬가지로 각 막대의 폭은 매개변수 width에 의해 조정된다. y=np.linspace(min(x)-1, max(x)+1, 10) y array([-4.48810153, -3.54351935, -2.59893717, -1.65435499, -0.70977282, 0.23480936, 1.17939154, 2.12397372, 3.0685559 , 4.01313807]) plt.hist(x, y, normed=True) plt.show()

R 미분과 적분

내용 expression 미분 2차 미분 mosaic를 사용한 미분 적분 미분과 적분 R에서의 미분과 적분 함수는 expression()함수에 의해 생성된 표현식을 대상으로 합니다. expression expression(문자, 또는 식) 이 표현식의 평가는 eval() 함수에 의해 실행됩니다. > ex1<-expression(1+0:9) > ex1 expression(1 + 0:9) > eval(ex1) [1] 1 2 3 4 5 6 7 8 9 10 > ex2<-expression(u, 2, u+0:9) > ex2 expression(u, 2, u + 0:9) > ex2[1] expression(u) > ex2[2] expression(2) > ex2[3] expression(u + 0:9) > u<-0.9 > eval(ex2[3]) [1] 0.9 1.9 2.9 3.9 4.9 5.9 6.9 7.9 8.9 9.9 미분 D(표현식, 미분 변수) 함수로 미분을 실행합니다. 이 함수의 표현식은 expression() 함수로 생성된 객체이며 미분 변수는 다음 식의 분모의 변수를 의미합니다. $$\frac{d}{d \text{변수}}\text{표현식}$$ 이 함수는 어떤 함수의 미분의 결과를 표현식으로 반환합니다. > D(expression(2*x^3), "x") 2 * (3 * x^2) > eq<-expression(log(x)) > eq expression(log(x)) > D(eq, "x") 1/x > eq2<-expression(a/(1+b*exp(-d*x))); eq2 expression(a/(1 + b * exp(-d * x))) > D(eq2, "x") a * (b * (exp(-d * x) * d))/(1 + b