Notice
Recent Posts
Recent Comments
Link
일 | 월 | 화 | 수 | 목 | 금 | 토 |
---|---|---|---|---|---|---|
1 | 2 | 3 | 4 | 5 | ||
6 | 7 | 8 | 9 | 10 | 11 | 12 |
13 | 14 | 15 | 16 | 17 | 18 | 19 |
20 | 21 | 22 | 23 | 24 | 25 | 26 |
27 | 28 | 29 | 30 |
Tags
- 인과추론
- 교란 변수
- LU분해
- 크롤링
- simple linear regression
- 교란변수
- rct
- Instrumental Variable
- 선형대수
- 누락편의
- causal inference
- least square estimation
- backdoor adjustment
- 통계
- 네이버 뉴스
- 최소제곱법
- 회귀불연속설계
- 예제
- 머신러닝
- 잔차의 성질
- confounder
- 단순선형회귀
- HTML
- 사영
- OVB
- 인과 추론
- Python
- Omitted Variable Bias
- Sharp RD
- residuals
Archives
- Today
- Total
목록Geometry (1)
Always awake,

팀원분께서 두 벡터의 correlation이 갖는 기하학적 의미에 대해 공유해주신 내용을 공부하여 정리해보았습니다 :) (팀원분께 무한한 감사를! 👍) 사전 지식 correlation을 기하학적으로 이해하기 위해서는 벡터의 사영(projection)에 대한 이해가 필요합니다 (Orthogonal 벡터 만들기 참고) 두 벡터 $\vec{u} = (u_1, u_2, ..., u_n)$, $\vec{v} = (v_1, v_2, ..., v_n)$가 주어져 있고, 두 벡터의 각도가 $\theta$일 때, 정리1. 두 벡터 $\vec{u}$, $\vec{v}$가 이루는 각도 $\theta$의 코사인 값은 아래와 같다 $$ cos(\theta) = \frac{\vec{u} \cdot \vec{v}}{|\vec{u}..
선형 대수
2022. 12. 10. 18:24