(이 포스팅은 The Elements of Satistical Learning의 흐름을 따라가고 있음을 밝힙니다. 책은 링크가 없어진 관계로 좀 더 쉬운 버전 링크를 공유합니다. pdf파일은 공개되어 있으니, 다운받아 참고하시면 좋을것 같습니다.) 이전 포스팅에서 우리는 실제 데이터를 가지고, 람다의 변화에 따른 능선회귀의 계수를 나타내주는 coefficient path를 그려보았다. 오늘은 조금 이론적인 내용으로 능선회귀의 계수, \[ \hat{\beta}_{Ridge}=\left(X^{T}X+\lambda I\right)^{-1}X^{T}y \] 를 베이지안적인 관점에서 어떻게 바라볼 수 있는지에 대하여 다뤄보고자 한다. 베이지안 MAP(Maximum a posteriori estimation)으로서..
