일 | 월 | 화 | 수 | 목 | 금 | 토 |
---|---|---|---|---|---|---|
1 | 2 | 3 | ||||
4 | 5 | 6 | 7 | 8 | 9 | 10 |
11 | 12 | 13 | 14 | 15 | 16 | 17 |
18 | 19 | 20 | 21 | 22 | 23 | 24 |
25 | 26 | 27 | 28 | 29 | 30 | 31 |
Tags
- 잡담
- 원소주
- Logistic linear
- pandas
- 인공지능
- EarlyStopping
- 파일입출력
- find_all()
- Django
- selenium
- auc
- SMTP
- stopwords
- category_encoders
- beautifulsoup
- Trouble shooting
- ML
- 그리디
- 트러블슈팅
- semi-project
- 이것이 코딩 테스트다
- 머신러닝
- 크롤링
- Roc curve
- AI
- IOPub
- PYTHON
- pos_tag
- json
- aof
Archives
- Today
- Total
목록Accuracy (1)
Linux, ML/DL, DevOps, 클라우드
![](http://i1.daumcdn.net/thumb/C150x150/?fname=https://blog.kakaocdn.net/dn/EbSGt/btrHAGNuvhj/yOmC3prREXY0z9aIOrDLN0/img.png)
분류 ML모델의 성능을 평가하기 위해 Accuracy, Recall, Precision, F1 score를 구하고 이를 기반으로 모델간의 성능을 비교하고 더 나은 지표를 얻기 위해 모델을 개선시켜 나갈 수 있습니다. 각각의 지표가 무엇을 의미하는지 알아보겠습니다. 우선 텍스트 데이터에 대해서 혐오표현인지 아닌지를 판별하는 모델이 있다고 가정하겠습니다. 만약 혐오표현이면 1, 혐오표현이 아니라면 0으로 라벨링합니다. 위 그림의 confusion matrix에서 각각 무엇을 뜻하는지는 아래와 같습니다. True Positive - 모델이 혐오표현이라고 예측하였고 실제로 그런 경우 True Negative - 모델이 혐오표현이 아니라고 예측하였고 실제로 그런 경우 False Positive - 모델이 혐오표현..
AI(ML, DL)
2022. 7. 18. 22:24