공학박사의 눈으로 바라본 세상 - MozenWorld -

인공지능, 머신러닝, 딥러닝

F1 점수: 머신러닝 모델의 성능을 평가하는 강력한 지표 - Part 3

F1 점수는 머신러닝 모델의 성능을 평가하는 강력한 지표 중 하나입니다. F1 점수의 의의는 머신러닝 모델의 정확성과 재현율을 균형 있게 평가할 수 있다는 것입니다. 또한, 이진 분류 문제뿐만 아니라 다중 클래스 분류에서도 사용될 수 있습니다. 총 3부작에 걸쳐서 F1 점수에 대해 알아보고자 합니다. 이번 글은 세 번째 시간으로 '5. F1 점수의 활용 방법', '6. 매크로 F1 점수와 마이크로 F1 점수', '7. F1 점수의 한계와 대안', 그리고 '8. 결론'에 대해 알아보도록 하겠습니다. 글의 목차는 다음과 같습니다. [목차] 1. F1 점수 소개 1.1. F1 점수의 개념과 정의 설명 1.2. 이진 분류 문제에서의 활용 2. 정밀도(Precision)와 재현율(Recall) 2.1. 정밀도와 ..

인공지능, 머신러닝, 딥러닝

데이터의 정규화(normalization) 또는 표준화(standardization)이 필요한 이유

[목차] 1. 서론 2. 데이터의 정규화(normalization)와 표준화(standardization) 개념 소개 3. 정규화와 표준화의 목적과 필요성 3.1. 이상치(outliers) 처리 3.2. 변수 간 스케일 차이 해결 3.3. 모델의 수렴 속도 향상 3.4. 고차원 데이터의 문제 해결 4. 정규화와 표준화 방법 4.1. 정규화 4.2. 표준화 5. 정규화와 표준화의 선택 기준 5.1. 모델 종류에 따른 선택 5.2. 데이터 분포와 특성 고려 5.3. 성능 비교 및 실험 결론 6. 결론 1. 서론 머신러닝은 데이터를 학습하여 패턴을 파악하고 예측 모델을 만드는 분야로, 데이터의 품질과 특성이 모델의 성능에 큰 영향을 미칩니다. 데이터 전처리는 머신러닝 과정에서 필수적인 단계로, 이 중에서도 정..