#P08 · 確率・統計・AI最適化 (Probability & AI) · Lv.33Dマインドマップで見る

相関係数と最小二乗線形回帰 (OLS)

Francis Galton, Karl Pearson & Carl Friedrich Gauss · 1895년

r_{XY} = \frac{\operatorname{Cov}(X,Y)}{\sigma_X \sigma_Y}, \quad \hat{\beta}_1 = \frac{\operatorname{Cov}(X,Y)}{\operatorname{Var}(X)} = r_{XY}\frac{\sigma_Y}{\sigma_X}

\hat{y} = \hat{\beta}_1 x + \hat{\beta}_0, \quad \hat{\beta}_0 = \bar{y} - \hat{\beta}_1 \bar{x}

2変数の線形関係の強さ(-1≤r≤1)を測る相関係数と、残差平方和を最小化する最適回帰直線を求める公式です。

🧮 即時公式計算機 & グラフプロッター

共分散 Cov(X,Y)

標準偏差 σ_X

標準偏差 σ_Y

r = \frac{18}{5\times 4.5} = 0.800, \quad \hat{\beta}_1 = 0.720

피어슨 상관계수 r

0.8000

결정계수 R² (설명력)

64.0%

회귀 기울기 β̂₁

0.7200

前提概念ルート (Prerequisite Path) (20 STEP)

ルート解析機

順番にクリックすると基礎から目標公式までの3Dネオン経路を辿れます。

STEP 1#G03円周率 π と弧度法(ラジアン)・扇形の公式

l = r\theta

STEP 2#G01ピタゴラスの定理 (三平方の定理)

a^2 + b^2 = c^2 \implies c = \sqrt{a^2 + b^2}

STEP 3#P01順列と組み合わせ (場合の数)

{}_nP_r = \frac{n!}{(n-r)!}

STEP 4#A02乗法公式と因数分解の恒等式

(a+b)^2 = a^2 + 2ab + b^2

STEP 5#A03指数法則と累乗根

a^m \cdot a^n = a^{m+n}

STEP 6#L01ベクトルの演算と L1・L2 ノルム・正規化

\|\mathbf{v}\|_2 = \sqrt{\sum_{i=1}^{n} v_i^2}

STEP 7#A01等式の性質と一次方程式

ax + b = 0 \implies x = -\frac{b}{a}

STEP 8#A06対数の定義と底の変換公式

\log_a(xy) = \log_a x + \log_a y

STEP 9#G04単位円上の三角関数と基本恒等式

\cos^2\theta + \sin^2\theta = 1

STEP 10#G022D・3D座標空間のユークリッド距離公式

d(P

STEP 11#C01極限の定義とネイピア数 e の誕生

e = \lim_{n \to \infty} \left(1 + \frac{1}{n}\right)^n \approx 2.718281828

STEP 12#G05正弦定理と余弦定理

c^2 = a^2 + b^2 - 2ab\cos C

STEP 13#P02条件付き確率と乗法定理

P(A \mid B) = \frac{P(A \cap B)}{P(B)}

STEP 14#A08二項定理とパスカルの三角形

(a+b)^n = \sum_{k=0}^{n} \binom{n}{k} a^{n-k} b^k

STEP 15#C02微分係数と導関数 (瞬間変化率と接線)

f'(x) = \frac{df}{dx} = \lim_{h \to 0} \frac{f(x+h) - f(x)}{h}

STEP 16#L02ベクトルの内積(ドット積)とコサイン類似度

\mathbf{a} \cdot \mathbf{b} = \sum_{i=1}^{n} a_i b_i = \|\mathbf{a}\|\|\mathbf{b}\|\cos\theta

STEP 17#P04期待値と分散 (確率変数のモーメント)

E[X] = \sum_i x_i p_i

STEP 18#C03積の微分法と合成関数の連鎖律 (Chain Rule)

\frac{dy}{dx} = \frac{dy}{du} \cdot \frac{du}{dx}

STEP 19#C08偏微分と勾配ベクトル (∇f 多変数微分)

\nabla f = \left(\frac{\partial f}{\partial x_1}

STEP 20#P08相関係数と最小二乗線形回帰 (OLS)

r_{XY} = \frac{\operatorname{Cov}(X

幾何学的・直観的解説

중심화한 데이터 벡터의 내적(코사인 유사도)이 곧 피어슨 상관계수 r이며, 잔차 제곱합을 미분해 0으로 두면 회귀 기울기가 유도됩니다.

ステップ別数式導出

Step 1.손실함수 L(β₀, β₁) = ∑(y_i - (β₁x_i + β₀))²을 β₀, β₁에 대해 각각 편미분하여 0으로 둡니다.
Step 2.∂L/∂β₀ = 0에서 회귀직선이 반드시 무게중심 (x̄, ȳ)를 지남을 얻습니다: β₀ = ȳ - β₁x̄.
Step 3.∂L/∂β₁ = 0을 정리하면 β₁ = Cov(X,Y) / Var(X) = r (σ_Y / σ_X)가 도출됩니다.

AI・プログラミング実戦活用

機械学習の教師あり学習の基本である線形回帰予測、クオンツ金融のβ値算出、特徴量相関分析に使用されます。

#Linear Regression#Supervised ML#Quant Finance Beta#Feature Engineering

const slope = covXY / varX; const intercept = meanY - slope * meanX; const r = covXY / Math.sqrt(varX * varY);

確率・統計・AI最適化 (Probability & AI) — 同分野の関連公式

Lv.2 · LLM Next-Token

Lv.2 · Reinforcement Learning

正規分布 (ガウス分布) と標準化 Zスコア

Lv.3 · Diffusion Models