아래 옵션을 살펴보세요.
이메일을 다음 두 가지 카테고리로 구분하는 분류 모델을 생각해 보세요.
'스팸' 또는 '스팸 아님'입니다. 분류 임계값을 올리면
어떻게 될까요?
확실히 증가합니다.
분류 임곗값을 높이면 일반적으로 정밀도가 높아집니다.
정밀도가 단조 증가한다는 보장은 없습니다
임곗값을 상향 조정할 수 있습니다.
아마도 증가할 것입니다.
일반적으로 분류 임곗값을 높이면 false가 감소합니다.
그래야 정밀도가 높아집니다.
아마도 감소할 것입니다.
일반적으로 분류 임곗값을 높이면 false가 감소합니다.
그래야 정밀도가 높아집니다.
확실히 감소합니다.
일반적으로 분류 임곗값을 높이면 false가 감소합니다.
그래야 정밀도가 높아집니다.
아래 옵션을 살펴보세요.
이메일을 다음 두 가지 카테고리로 구분하는 분류 모델을 생각해 보세요.
'스팸' 또는 '스팸 아님'입니다. 분류 임계값을 올리면
기억나시죠?
항상 증가합니다.
분류 임계값을 올리면 다음 두 상황이 발생합니다.
<ph type="x-smartling-placeholder">
- </ph>
- 참양성 수는 감소하거나 확인할 수 있습니다
- 거짓음성의 수가 증가하거나 확인할 수 있습니다
항상 감소하거나 그대로 유지됩니다.
분류 임계값을 올리면
감소하거나 동일하게 유지되고
거짓음성의 수를 늘려서 동일하게
유지할 수 있습니다 따라서
재현율은 일정하게 유지되거나 감소합니다
항상 일정하게 유지합니다.
분류 임계값을 올리면
감소하거나 동일하게 유지되고
거짓음성의 수를 늘려서 동일하게
유지할 수 있습니다 따라서
재현율은 일정하게 유지되거나 감소합니다
아래 옵션을 살펴보세요.
각각 동일한 데이터 세트를 평가하는 두 모델 A와 B가 있다고 가정해 보겠습니다.
다음 중 올바른 설명은 무엇인가요?
모델 A의 정밀도가 모델 B보다 높으면
모델 A가 더 낫습니다.
정밀도가 높을수록 좋지만 비용이 발생할 수 있습니다.
재현율을 크게 감소시키는 것입니다 일반적으로
정밀도와 재현율을 모두 또는 AUC와 같은 요약 측정항목
이 부분은 다음에 다루겠습니다.
모델 A의 재현율이 모델 B보다 높으면 모델 A는
개선할 수 있습니다
재현율이 더 높으면 좋지만,
정밀도가 크게 감소하는 대신 비용이 적게 듭니다. 일반적으로
정밀도와 재현율을 모두 함께 살펴보거나 요약 측정항목을
AUC 같은 것을 알 수 있습니다.
모델 A의 정밀도와 재현율이 모델 B보다 높으면
모델 A가 더 나을 것입니다
일반적으로 두 데이터 모두에서 다른 모델을 능가하는 모델은
정밀도와 재현율이
더 나은 모델일 가능성이 높습니다 당연히
모든 데이터와 동일한 수준에서
실제로 유용한 정밀도 / 재현율 포인트를
만들어야 합니다. 예를 들어 스팸 감지 모델이
최소 90% 이상의 정밀도가 있어야 유용하며
경보를 피하는 것입니다. 이 경우
{정밀도 20%, 재현율 99%}인 다른 모델로
{15% 정밀도, 98% 재현율}은(는) 특별히 유익하지 않습니다.
두 모델 모두 90% 정밀도 요구사항을 충족하지 않습니다 하지만 이러한 주의사항을
사용하는 것이 좋습니다.
사용할 수 있습니다