패스트캠퍼스 환급챌린지 26일차 : 딥러닝·인공지능 Signature 초격차 패지 강의 후기

본 포스팅은 패스트캠퍼스 환급 챌린지 참여를 위해 작성하였습니다.

 

 

강의 수강 시작

 

수강 강의

강의 수강 완료

 

학습 인증샷 

 

 

사이킷런을 활용하여 ROC 커브를 통해 분류 모델의 성능을 평가하는 방법을 배우면서, 모델이 얼마나 정확하게 양성과 음성을 판별하는지를 세부적으로 분석할 수 있다는 점이 매우 흥미로웠습니다. 분류 모델의 예측 결과를 올바르게 양성으로 판단한 경우와 올바르게 음성으로 판단한 경우, 그리고 실수로 양성으로 판단한 경우와 실수로 음성으로 판단한 경우로 나누어 평가할 수 있다는 것이 굉장히 체계적이라고 느껴졌습니다.

 

특히, 이러한 분류 기준을 활용하여 모델의 성능을 더욱 구체적으로 분석할 수 있다는 점이 인상적이었습니다. 데이터를 세분화하여 민감도와 특이도로 나누어 평가하는 방식이 효과적이라고 생각되었습니다. 민감도는 실제로 양성인 데이터 중에서 얼마나 정확하게 양성으로 판단했는지를 나타내는 지표이며, 특이도는 실제로 음성인 데이터 중에서 얼마나 정확하게 음성으로 판별했는지를 나타내는 지표입니다. 이러한 개념을 활용하면 단순히 정확도 하나만으로 모델을 평가하는 것이 아니라, 모델이 양성과 음성을 얼마나 잘 구분하는지 더욱 정밀하게 분석할 수 있다는 점이 유용하게 느껴졌습니다.

특히, 민감도와 특이도를 함께 고려함으로써, 특정한 상황에서 모델이 더 적합한지 판단할 수 있다는 점이 흥미로웠습니다. 이러한 평가 지표를 적절히 조절하여 모델의 목적에 맞게 최적화할 수 있다는 점이 매우 유용하다고 느꼈습니다.

 

이번 학습을 통해, 머신러닝 모델을 평가하는 다양한 방법에 대해 깊이 있게 이해할 수 있었으며, 이를 실제 다양한 분야에 적용할 수 있을 것이라는 생각이 들었습니다. 단순히 모델의 정확도를 확인하는 것뿐만 아니라, 세부적인 지표를 분석하여 모델이 어떤 방식으로 예측을 수행하는지 파악하는 것이 중요하다는 것을 깨달았습니다. 앞으로도 이러한 개념을 활용하여 더욱 정교한 모델을 만들고, 다양한 문제에 적용해보고 싶다는 생각이 들었습니다.

 

 

https://bit.ly/4hTSJNB