[Model Evaluation] 머신러닝 모델 평가 및 해석방법 (feat. Imbalanced Data는 어떻게 평가할 수 있을까?)

Overview

모델 평가 및 해석 (Model Evaluation & Interpretation)

안녕하세요 Steve-Lee입니다. 오랜만에 인사드립니다.
데이터 분석, 데이터 과학, 머신러닝, 딥러닝을 공부한 이례로 수많은 모델을 직접 만들어보고 모델의 성능을 평가해봤습니다. 하지만 정작 제가 한 모델의 성능이 어떤 성능을 가지고 있는지, 얼마만큼 유용한지에 대한 고민이 적었던 것 같습니다. 특히 어떤 한계점이 있는지, 어떻게 개선해야 할지 등을 깊게 고민해본 적이 없는 것 같다는 생각을 하게 되었습니다. 그래서 오늘 '머신러닝 모델 평가 및 해석 방법'에 대해 고민해보고 자세히 하나씩 알아보려고 합니다.

Kaggle을 막 시작한 Beginner로써 그리고 앞으로 데이터 과학자이자 분석가로 활동할 예비 데이터 과학자로서 제가 만든 모델이 어떻게 작동하고 있는지, 문제점은 무엇인지, 어떻게 개선하면 좋을지에 대한 물음을 하나씩 찾아가는 시간이 되었으면 합니다. 그럼 시작합니다.

 

Contents

본 포스팅은 세 개의 주제로 나누어 연재할 계획입니다.

• Classification Model Evaluation Metrics
• Regression Model Evaluation Metrics
• CrossValidation

 

Reference

• Kaggle Master의 노트북을 참고합니다
• Ouassim Adnane [link]

⚖️ Machine Learning Model Evaluation Metrics

 

단순히 모델링을 하는데 그치지 않고, 모델을 다양한 각도에서 해석하고 이해할 수 있는 시간이 되었으면 합니다.

 

감사합니다. Classification Model Evaluation Metrics로 찾아뵙겠습니다!