A B C d E F G H I K L M N O P Q R S T U V W Z A statsmodels.ap.stats.anova_lm(x) statsmodels.formula.api.ols 에 의해 생성되는 모형 즉, 클래스 인스턴스(x)를 인수로 받아 anova를 실행합니다. np.argsort(x, axis=-1, kind=None) 객체 x를 정렬할 경우 각 값에 대응하는 인덱스를 반환합니다. Axis는 기준 축을 지정하기 위한 매개변수로서 정렬의 방향을 조정할 수 있음(-1은 기본값으로 마지막 축) pandas.Series.autocorr(lag=1) lag에 전달한 지연수에 따른 값들 사이의 자기상관을 계산 B scipy.stats.bernoulli(x, p) 베르누이분포에 관련된 통계량을 계산하기 위한 클래스를 생성합니다. x: 랜덤변수 p: 단일 시행에서의 확률 scipy.stats.binom(x, n, p) 이항분포에 관련된 통계량을 계산하기 위한 클래스를 생성합니다. x: 랜덤변수 n: 총 시행횟수 p: 단일 시행에서의 확률 C scipy.stats.chi2.pdf(x, df, loc=0, scale=1) 카이제곱분포의 확률밀도함수를 계산 $$f(x, k) =\frac{1}{2^{\frac{k}{2}−1}Γ(\frac{k}{2})}x^{k−1}\exp\left(−\frac{x^2}{2}\right)$$ x: 확률변수 df: 자유도 pd.concat(objs, axis=0, join=’outer’, …) 두 개이상의 객체를 결합한 새로운 객체를 반환. objs: Series, DataFrame 객체. Axis=0은 행단위 즉, 열 방향으로 결합, Axis=1은 열단위 즉, 행 방향으
생물학적 뉴런(biological neuron)은 아래의 그림과 같이 구성되어 있다. 수상돌기: 인접한 뉴런의 정보를 수집 세포핵: 수집된 정보를 바탕으로 해당 세포의 고유값을 생성 축색돌기: 생성된 고유값을 다른 세포들에게 제공 시냅스: 축색돌기 말단과 이웃한 뉴런의 수상돌기가 연결된 지점. 인간의 두뇌에서의 대부분의 지적 기능은 이들 시냅스에 저장된 정보가 지배 일정한 값이 시냅스를 통해 조절되고 수상돌기에 의해 입력된다. 이 입력된 신호는 어느 정도(임계치)이하 이면 단순히 저장된다. 그러나 임계치 이상이 되면 세포의 활성화를 일으켜 축색을 통해 이동한다. 즉, 출력된다.이러한 과정을 신경망 이론에 사용하기 위한 알고리즘으로 만들어 내기 위해서는 입력으로 부터 입력강도의 조절, 계산, 출력의 단계를 각각 고려하여 모델을 설정할 필요가 있다. 위의 그림은 하나의 신경세포이고 이 들의 연결고리에 해당하는 것을 시냅스 (synapse) 라고 한다 . 고리즘 위 그림은 단순하게 다음과 같은 수학적 모형으로 표현이 가능하다. $$ u=\sum^n_{i=1} w_ix_i \begin{cases} \phi(u)=1, & \text{if} \, u \geq \theta\\ 0, &\text{otherwise} \end{cases} $$ n개의 입력치들의 각각에 가중치를 고려하여 받아들이도록 정의함으로서 각 입력의 강도를 조정한다. 이것은 신경포의 관계에서 시냅스에 의한 입력의 강도와 같은 기능을 모형화한 것이다. 이렇게 가중치가 고려된 모든 입력값들의 합이 연산이 실행되는데 활성화함수(activation function)라고 하는 $\phi(u)$ 에 의해 실행된다. 그 결과는 다음 신경세포로 전달된다. 인공뉴런에서 주로 사용되는 활성화 함수는 다음과 같다. sign: $f_g(z)=\begin{cases}+1, & z \ge 0 \\ -1, & z>0 \end