예측에 여백을 붙일 때, 폭은 누가 정할까?
보정용 오차 자료로 예측 구간을 만드는 컨포멀 예측(보정 자료로 오차 범위를 정하는 방법)의 입구를 살펴봅니다. 포함률 목표를 바꾸며 구간의 폭을 직접 비교하세요.
A Gentle Introduction to Conformal Prediction and Distribution-Free Uncertainty Quantification
개별 글보다 주제 전체를 따라 읽고 싶다면 대표 글과 연관 자료를 함께 보세요.
그림으로 이해하고, 원문으로 깊이 읽습니다.
관심 주제와 난이도로 필요한 글을 찾아보세요. 개념을 익히는 학습과 원문에 근거한 연구 해설을 구분했습니다.

해외 학술 연구의 7개 분야
보정용 오차 자료로 예측 구간을 만드는 컨포멀 예측(보정 자료로 오차 범위를 정하는 방법)의 입구를 살펴봅니다. 포함률 목표를 바꾸며 구간의 폭을 직접 비교하세요.
A Gentle Introduction to Conformal Prediction and Distribution-Free Uncertainty Quantification
회상 검사와 재학습을 다룬 2006년 개별 실험과 2014년 메타분석을 설계·대상·허용되는 해석으로 비교합니다.
Test-Enhanced Learning: Taking Memory Tests Improves Long-Term Retention
주디아 펄의 입문 논문은 관찰된 연관성만으로 인과 효과를 정할 수 없으며, 어떤 인과 가정을 두었는지 명시해야 한다고 설명합니다. 구조적 인과모형과 그래프, 개입 표기를 연결해 인과 질문의 논리적 토대를 살펴봅니다.
인과추론 입문 (An Introduction to Causal Inference)
인과 다이어그램은 교란 경로와 매개·충돌 변수를 구분합니다. 상관이 큰 변수부터 넣는 선택은 편향을 만들 수 있습니다.
Robust Causal Inference Using Directed Acyclic Graphs: the R package ‘dagitty’
빈도주의 신뢰구간의 95%는 같은 절차를 반복했을 때의 장기 포함률이며, 계산된 특정 구간의 사후확률과 같지 않습니다.
Statistical Tests, P Values, Confidence Intervals, and Power: A Guide to Misinterpretations
16–20 / 63묶음