Robotics & AI

회귀 모델(Regression Model)과 분류 모델(Classification Model)은 머신 러닝에서 널리 사용되는 두 가지 주요 유형의 모델입니다. 이들 모델의 차이는 주로 출력 값의 유형과 사용되는 알고리즘, 그리고 적용되는 문제 유형에 있습니다. 이번 글에서는 회귀 모델에 대한 성능 평가 방법에 대해 알아보겠습니다. 회귀 모델이란 회귀 모델은 연속적인 값을 예측하는 데 사용됩니다. 모델의 출력값으로는 실수 값(예: 가격, 온도, 점수 등)과 같은 연속적인 값을 출력합니다. 사용 사례로는 집 가격 예측, 기온 예측, 판매량 예측 등에 사용 됩니다. 알고리즘 예시: 선형 회귀(Linear Regression), 릿지(Ridge) 및 라쏘(Lasso) 회귀, 의사결정 나무(Decision Tre..

PR Curve PR Curve, 즉 정밀도-재현율 곡선(Precision-Recall Curve)은 분류 모델의 성능을 평가하는 데 사용되는 도구 중 하나입니다. PR Curve 곡선은 모델의 정밀도(Precision)와 재현율(Recall) 사이의 관계를 시각적으로 나타냅니다. 주로 클래스 불균형이 큰 경우 또는 양성 클래스의 성능이 더 중요한 상황에서 유용합니다. 정밀도 (Precision) & 재현율 (Recall) 정밀도 (Precision)는 양성으로 예측된 케이스 중 실제로 양성인 비율입니다. 높은 정밀도는 거짓 양성(FP)이 적음을 의미합니다. 재현율 (Recall) 실제 양성 중 모델이 양성으로 올바르게 예측한 비율입니다. 높은 재현율은 거짓 음성(FN)이 적음을 의미합니다. 그래프 형..

머신러닝에서 분류 모델의 평가 지표는 대표적으로 정확도(Accurcy), 정밀도(Precision), 재현율(Recall), F1 Score, ROC/AUC, 혼동행렬(Confusion Matrix)등이 있습니다. 각각의 지표는 모델의 성능을 다른 관점에서 평가합니다. 이들 지표를 이해하기 위해서는 기본적으로 혼동 행렬(Confusion Matrix)의 개념을 알아야 합니다. 혼동 행렬은 실제 클래스(양성/음성)와 모델이 예측한 클래스(양성/음성)를 비교한 표입니다 혼동 행렬의 기본 요소는 아래와 같습니다. True Positives (TP): 실제 양성이며, 모델도 양성으로 정확하게 예측한 케이스입니다. False Positives (FP): 실제 음성이지만, 모델이 양성으로 잘못 예측한 케이스입니다...

머신러닝 모델 지표중 하나인 Recall은 한국어로 재현율을 번역이 되고 Precision은 정확도로 번역되며 Confusion Matrix를 이용하여 계산할 수 있습니다. Precision(정확도)은 아래 그림에서 (왼쪽 상단)고양이 사진이 들어 왔을 때, 고양이로 정상 분류한 TP와 (왼쪽 하단) 다른 이미지(개)가 들어왔을 때 고양이로 분류한 FP를 분모로 두고, TP를 분자로 두고 구할 수 있다. 계산식은 아래와 같습니다. Recall(재현율)은 아래 그림 (왼쪽 상단) 처럼 고양이 이미지가 들어 왔을 때, 고양이로 정상 분류 한 TP와 아래그림 (오른쪽 상단) 고양이 이미지가 들어왔을 때 잘못 분류한 FN들을 더하여 분모로 두고, TP로 분류한 것을 분자로 두고 구할 수 있다. 계산식은 아래와 ..

confusion matrix란 지도 학습으로 훈련된 분류 알고리즘의 성능을 시각화 할 수 있는 표로 모델이 얼마나 정밀한지 실용적인지를 시각화하여 보여 줍니다. confusion matrix는 1) True Positive, 2)False Negative 3) False Positve 4) True Negative로 4가지로 분류를 할 수 있습니다. 정상적인 분류는 4가지중 분류로 앞글자에 True(참)가 들어가 True Positive(TP), True Negative(TN)으로 분류한다. True Positive는 고양이 사진을 학습 모델로 돌렸을 때 왼쪽 상단 처럼 고양이를 고양이로 정상 분류하는 것을 나타냅니다. True Negative는 오른쪽 하단처럼 개가 고양이가 아니라고 정상적으로 분류 ..