240920 TIL #494 AI Tech #32 모델평가 / 과적합 / 교차검증

김춘복·2024년 9월 19일

TIL aitech

TIL : Today I Learned

목록 보기

496/543

Today I Learned

긴 연휴를 거치고 다시 프로젝트 시작!

강의 복습

모델 평가

성능 측정(정확성, 일관성, 신뢰도)
overfitting, underfitting 예방
최적 모델 선택
Business 목표 달성 평가

혼동행렬(confusion matrix)

이미지 출처 : manisha-sirsat

단순 TF가 아니라 클래스가 여러개면 NxN형태로 쓸 수 있다.

평가지표

정확도(Accuracy): (TP + TN) / (TP + TN + FP + FN) 전체에서 올바른 예측 비율
정밀도(Precision): TP / (TP + FP) 예측 클래스의 실제 클래스 비율
재현율(Recall, Sensitivity): TP / (TP + FN) 실제 클래스에 대해 올바른 예측 클래스 비율
F1 점수: 정밀도와 재현율의 조화평균

혼동행렬 시각화 코드

sklearn.metrics의 confusion_matrix 사용

import numpy as np
import seaborn as sns
import matplotlib.pyplot as plt
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import confusion_matrix

# 데이터 로드
data = load_iris()
X, y = data.data, data.target

# 데이터 분할
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

# 모델 훈련
model = RandomForestClassifier(random_state=42)
model.fit(X_train, y_train)

# 예측
y_pred = model.predict(X_test)

# 혼동행렬 생성
cm = confusion_matrix(y_test, y_pred)

# 혼동행렬 시각화
plt.figure(figsize=(8, 6))
sns.heatmap(cm, annot=True, fmt='d', cmap='Blues',
            xticklabels=data.target_names,
            yticklabels=data.target_names)
plt.xlabel('Predicted labels')
plt.ylabel('True labels')
plt.title('Confusion Matrix Heatmap')
plt.show()

모델 과적합

training 데이터를 너무 과하게 학습해 검증이나 테스트데이터에는 성능이 떨어지는 것

학습 loss 그래프를 보면 train loss는 감소하는데 validation loss는 안떨어지는 경우
데이터마다 차이는 있지만 train accuracy와 test accuracy가 0.1 이상 차이나면 과적합, 과소적합 의심해봐야
과적합 방지방법에는 정규화, 교차검증, dropout, early stopping 등이 있다.

정규화

가중치의 값이 극단적으로 커지면 과적합이 되기도 하는데 이를 막기 위해 손실함수에 페널티항을 추가하는 것을 정규화라 한다.
L1 정규화 (Lasso)
from sklearn.linear_model import Lasso
가중치 절대값의 합을 최소화하는 방식으로 일부 가중치를 딱 0으로 만들어 특성 선택 효과를 만든다. L2보다 더 강도가 강하다.
L2 정규화 (Ridge)
from sklearn.linear_model import Ridge
가중치 제곱합을 최소화하는 방식으로 모든 가중치를 작게 만들어 모델의 복잡도를 줄인다.

교차검증(Cross-Validation)

데이터셋을 여러 부분집합으로 나눠 모델의 성능을 평가하는 방법

데이터셋을 여러 폴드로 나눠 각 폴드가 한번씩 테스트 set이 되도록 모델을 학습하고 평가한다.
그리고 모든 폴드에 대한 평가결과를 평균해 모델의 성능을 추정한다.
일반화 능력을 평가할 수 있으며 평가의 신뢰성을 높일 수 있다.
데이터셋이 작을때 더 유용한 방법.(너무 적으면 역효과)
하지만 분할해서 검증과 테스트를 진행하다보니 시간과 비용이 많이 소모되어 시간복잡도를 항상 고려해서 K값을 정해야한다.
K-Fold CV
데이터를 무작위로 동일한 K개의 부분집합으로 나누거 1개는 평가, 나머지 k-1로 훈련 시킨다.
모든 데이터를 훈련, 테스트에 사용해 효율적이지만, 시간이 오래 소모된다.
그리고 클래스 분포가 불균형하면 평가에 문제가생길 수 있다.
Stratified K-Fold CV
위의 클래스 분포 문제를 해결하기 위해 랜덤이 아니라 전체 데이터의 클래스 분포를 유지하도록 fold를 나눈 방식