📒 모델 평가의 중요성
- 학습된 모델을 테스트함으로서 일반화 능력을 측정하는 과정
- 평가를 통해 모델의 성능 개선 방향 결정
💡 Overfitting
- 모델의 일반화 성능평가(=과적합, Overfitting)를 위해 데이터 분할 필요
- 학습된 모델이 새로운 데이터에 대한 일반화 성능이 떨어지는 현상
- train set에서 높은 성능, test set에서 낮은 성능
- 대표적 Overfitting 치료법
- Data augmentation- Reqularization (정규화)
- Model design change
- More training data
📒 평가 방법
- True Positive (TP, 참양성)
- 실제로 맞는 것을 맞다고 정확히 예측한 경우
- True Negative (TN, 참음성)
- 실제로 아닌 것을 아니라고 정확히 예측한 경우
- False Positive (FP, 거짓양성)
- 실제로는 틀린 것을 맞다고 잘못 예측한 경우
- False Negative (FN, 거짓음성)
- 실제로 맞는 것을 틀렸다고 잘못 예측한 경우
💡 Accuracy
- 데이터가 균형적일 때 유용
💡 Precision (정밀도)
- 모델이 정답이라고 예측한 것들 중에서 실제로 정답인 비율
💡 Recall (재현율)
- 실제로 정답인 것들 중에서 모델이 제대로 맞춘 비율
💡F1 score
- Precision과 Recall의 조화 평균
