Stage4 - 모델 검증
1. 모델의 score를 구합니다.
.png?alt=media)
2. (validation set이 있을 때. 없으면 3번으로) validation set으로 여러가지 모델들의 score를 구해 비교하고 최고 성능의 모델을 선택합니다.
3. test set을 이용하여 선택한 모델의 최종 성능을 평가합니다.
4. 결론을 도출합니다.
숫자 손글씨 인식하기 000모델을 통해 000의 정확도로 숫자 손글씨를 OCR할 수 있다.
와인 품질 측정하기 000모델을 통해 000의 정확도로(혹은 다른 평가지표) 와인의 품질을 추정할 수 있다.
환자A의 신체 나이를 추측하시오.
.png?alt=media)
이때 예측 결과로, "23.2살과 22.9살은 다르니 잘못된 예측입니다."라고 말할 수 있을까요?
이런 방식으로 정확성을 검증하는게 올바를까요?
3~4살 정도 차이가 나도 아무런 문제가 없는 상황이라 가정한다면, 위 예측은 올바른 예측입니다. 단순히 숫자 자체가 틀리다고해서 예측에 실패했다고 볼 수는 없는거죠. 우리는 해결하고자 하는 문제 상황마다 다른 검증방법을 도입해야 합니다.
scikit learn의 score 기능을 사용하면 상관성을 이용한 결정계수를 자동으로 계산해줍니다.
.png?alt=media)
분류알고리즘(모델명에 classifier가 들어가는 것)은 결정계수가 아닌 실제로 매칭 정확도를 표시해줍니다. 회귀모델에서 정확한 값을 매치할 수 없으니 결정계수를 보여주는 것 입니다.
22.5~23.5살은 23살 카테고리로 취급
같은 방식으로
23.5~24.5살은 24살 카테고리
24.5~25.5살은 25살 카테고리
25.5~26.5살은 26살 카테고리 …
반올림, 세대 묶기 등 여러가지 방식으로 카테고리화 할 수 있습니다.
.png?alt=media)
.png?alt=media)
바로 코드를 작성하려 하면 쉽지 않습니다.
내가 어떤일을 해야할지 순서대로 마크다운으로 가이드를 작성해주세요. 별거 아닌것 같지만 엄청난 효과가 있습니다. 초보, 고수, 학계 유명인들 모두 중시하고 습관화하는 방법입니다.
.png?alt=media)
감을 잡기 위해 두가지 프로젝트 중 한가지는 먼저 답을 보고 스스로 따라해보세요. 스스로 코드를 보고 따라 치는 것만으로도 큰 도움이 됩니다.
위 링크로 이동하면 모범답안을 볼 수 있습니.
한가지 프로젝트를 완료한 후 남은 한가지는 최대한 혼자 힘으로 진행해보세요. 과거에 자신이 만든 코드를 참고하는 일은 아주 좋은 방법입니다.
최대한 도전하고 모범답안의 도움을 받아 완성해보세요!
