AI를 위한 모델 평가: 기계학습 4편

 

모델 평가!

 

학습한 모델이 실제 데이터에서 얼마나 잘 동작하는지 평가하는 단계입니다. 정확도, 정밀도, 재현율, F1-점수 등과 같은 성능 지표를 사용하여 모델의 성능을 측정할 수 있습니다. 이 단계에서 모델을 수정하거나 추가적인 훈련을 수행할 수도 있습니다.

 

 

1. 정확도 (Accuracy)

정확도는 모델이 정확한 예측을 하는 비율로, 전체 예측 중에서 올바르게 예측한 비율입니다. 정확도는 다음과 같이 계산됩니다:

from sklearn.metrics import accuracy_score

y_pred = model.predict(X_test)
accuracy = accuracy_score(y_test, y_pred)

 

2. 정밀도 (Precision)와 재현율 (Recall)

정밀도는 양성으로 예측한 샘플 중에서 실제로 양성인 샘플의 비율을 나타내며, 재현율은 실제 양성인 샘플 중에서 양성으로 예측한 샘플의 비율을 나타냅니다. 정밀도와 재현율은 이진 분류 모델에서 주로 사용됩니다. 정밀도와 재현율은 다음과 같이 계산됩니다:

from sklearn.metrics import precision_score, recall_score

precision = precision_score(y_test, y_pred)
recall = recall_score(y_test, y_pred)

 

3. F1-점수 (F1-Score)

F1-점수는 정밀도와 재현율의 조화 평균으로, 불균형한 데이터셋에서 모델의 성능을 평가하는 데 유용합니다. F1-점수는 다음과 같이 계산됩니다:

from sklearn.metrics import f1_score

f1 = f1_score(y_test, y_pred)

 

 

모델 평가를 통해 성능 지표를 확인하고, 필요한 경우 모델을 수정하거나 추가적인 훈련을 수행할 수 있습니다. 적절한 성능 지표를 선택하여 모델의 성능을 평가하고 비교하는 것이 중요합니다.