전체 글 (291) 썸네일형 리스트형 머신러닝에서의 액티브 러닝 (1) 인공지능(AI) 속에서 한 가지 특별한 기술이 의미 있는 흔적을 남기고 있습니다. 액티브 러닝은 머신 러닝(ML) 모델을 가르치고 훈련하는 방법에 혁신을 일으켜 통찰력 있는 AI 솔루션과 통찰력으로 가는 길을 간소화합니다. 머신 러닝 모델이 단순히 수동적인 데이터 수신자가 아니라 능동적으로 학습 과정에 참여하는 세계를 생각해 보십시오. 모델이 단순히 정보를 흡수하는 것이 아니라 복잡한 정보 샘플을 전략적으로 식별하고 우선 순위를 지정하여 이해를 증폭시키는 세계. 이 접근법은 본질적으로 능동적 학습입니다. 오늘부터는 머신 러닝의 핵심 원칙, 이점 및 구현 전략을 다루면서 능동적인 러닝 머신 러닝의 다각적인 영역을 횡단할 것입니다. 액티브 러닝이란? 능동적 학습은 훈련에 가장 큰 영향을 미칠 수 있는 기계 .. 머신러닝에서 혼동행렬(Confusion Matrix) (4) 기계학습에서의 정밀도와 재현율의 차이 정밀도 데이터 과학자가 양성 샘플을 분류하는 모델의 능력을 측정하는 데 도움이 됩니다 과학자들은 모형의 정밀도를 계산하기 위해 양의 표본과 음의 표본을 고려합니다 과학자들은 모델이 잘못 식별한 샘플을 포함한 모든 양성 샘플을 고려합니다 재현율 데이터 과학자가 모델에 의해 올바르게 분류된 양성 샘플 수를 측정하는 데 도움이 됩니다 과학자들은 모델의 재현율을 계산하기 위해 모든 양성 샘플만 고려합니다 과학자들은 양성(FP)으로 분류된 음성 샘플을 무시하고 모델에 의해 올바르게 분류된 양성 샘플만을 고려합니다 결론 혼동 행렬을 통해 데이터 과학자는 기계 학습 알고리듬이 올바른 예측을 하는 데 얼마나 효과적인지 이해할 수 있습니다. 또한 잘못된 예측을 이해하고 오류율을 계산.. 머신러닝에서 혼동행렬(Confusion Matrix) (3) 혼동 행렬을 사용한 계산 혼동 행렬이 참 긍정(TP), 참 부정(TN), 거짓 부정(FN) 및 거짓 긍정(FP)의 수를 결정하면 과학자는 모델의 분류 정확도, 오류율, 정밀도 및 리콜을 결정할 수 있습니다. 분류 정확도(Classification Accuracy) 분류 정확도는 모델이 정확한 출력을 예측하는 빈도를 정의하기 때문에 결정하는 가장 중요한 매개 변수 중 하나입니다. 정확도가 높을수록 모델이 우수하다는 것을 의미합니다. 정확도 = TP+TN / TP+FP+FN+TN 편두통 환자를 예측하는 예를 들어보면, 이 경우 기계학습 알고리즘의 정확도는 100+150/100+20+30+150 = 0.83이 됩니다. 이는 기계 학습 알고리즘이 예측에서 83% 정확하다는 것을 의미합니다. 오분류율(Miscla.. 이전 1 2 3 4 5 6 7 ··· 97 다음