http://futurelab.creatorlink.net/
Metrics
- Regression
- MAE(mean absolute error) : 특이값(outlier)에 robust, 절댓값을 취하기 때문에 차이를 직관적으로 느낄 수 있음
- RMSE(root mean square error) : 특이값에 더 가중치를 둠(oulier가 있을수록 rmse값이 더 크게 나온다), mae보다 더 보편적으로 사용
- Classification
- precision : positive 판정이 맞을 확률
ex) 암 판정 중 실제 암일 확률 , 고양이 판정 중 실제 고양이 - Recall : positive 사건이 잘 맞았는지
ex) 암 환자 중 암을 진단받을 확률, 고양이 중 실제 고양이로 인식 - Data imbalance 문제 => case에 맞는 metric 설정
- F1 score : precision과 Recall의 조화평균
Recurrent Neural Network (RNN)
-
RNN의 기본 단위
-
RNN의 종류
-
RNN 용어 정리
1) sample : sample 개수 (1회 train 기준 = batch_size)
2) time_step (= input_length) : 어느 정도의 시간을 고려할 것인가
3) input_dim : input data의 feature 수 -
RNN computation
- input 연산(unit) : W_xh * x_t
- hidden_state 연산 (이전 unit의 연산 결과를 받는다)
: W_hh h_t-1 + W_xh x_t - activation function : h_t = tanh(W_hh h_t-1 + W_xh x_t)
- output 연산 : y_t = W_hy * h_t
1) W_xh, W_hh, W_hy 모두 동일 layer에서는 그 값이 동일하다.
2) return_sequence를 통해 output의 dimension을 input과 같게 할 수 있고, 이를 통해 recurrent layer를 더 붙일 수 있다.
-> return_sequence=False : 2d-array
-> return_sequence= True : 3d-array => layer를 더 쌓을 수 있다.
pandas 특강
