ロジスティック関数や指数関数を経由させる2値分類やポアソン回帰で・・・ 説明変数を標準化させて線形予測子の回帰係数を求めると解釈が難しい・・・というか、説明し難いので・・・ 標準化偏回帰係数 → 偏回帰係数化 → 確率化 → 可視化 を、Berunoulli、Poisson、Binomialに追加しました😎✌️ pic.twitter.com/gW4O73Kilc

ばやしメモ ・二項分布は、試行回数を十分大きくすれば、正規分布に近似的に従う ・「二項分布に従う確率変数Xがある範囲におさまる確率」を求めるには、Xを標準化する

てか統計って問題出すのキツくね 標準化させたら正規分布表みて確率だすけど正規分布表なんて出せんのかな もしかしてやんなくていい？？ それにワンパターンだから問題作るのに適してなくないか

疲れすぎて標準化した変数で検定しちゃったんだが、有意確率が1.000になって地味に感動した

[JA] Methodology: 言語モデルの評価方法における様々な要因（プロンプトのフォーマット、文脈内の例、確率の正規化、タスクの定式化など）を分析し、再現可能な評価方法の標準化を目指す。

定義やフレームワークを作ると、標準化が進む一方でそれに囚われて陳腐なアウトプットが出る確率もまた高くなるのもまた然り

スタートアップの ステージ毎の生存確率と生き残れない主な理由（5/n)シリーズB（生存確率50%) 生存できない理由 ・属人化排除/標準化/仕組み化ができない ・他の経営陣の成長が、CEOの成長に追いつかない ・守りのオペレーション（コーポレート/バック/ミドル）が弱い…

機械学習モデルの予測の論理はブラックボックスになるから、なんでこの予想にしたん？っていうことは答えてくれないので分類の予測結果を標準化することは、モデルの傾向、予測の論理の癖を掴むのには有効だと思うんだよね。けど、予測結果はそのまま確率として考えたほうがいいんだな～勉強になったわ