딥러닝/기초
-
딥러닝 모델을 개발하는 일련의 과정딥러닝/기초 2022. 11. 20. 16:00
비즈니스 문제 정의 "어떠한 문제를 해결하려고 하는가?" 에 대한 정의를 내립니다. 그리고 이 문제는 분류 문제인지, regression 문제인지, 최적화 문제인지를 구분합니다. 데이터 정의 제품 검사 태스크의 경우, 양품 데이터와 비품 데이터를 나눕니다. 그리고 학습 데이터셋와 테스트 데이터셋으로 그룹핑합니다. 각각의 데이터셋에는 양품/비품이 골고루 섞여 있어야 합니다. 모델링 적용할 딥러닝 모델을 모델링합니다. 평가 모델 측정에 사용할 적절한 매트릭(mAP, AP 등)을 골라 평가 내용을 작성해 봅니다. 개발 피드백 평가를 토대로 모델 수정이 필요한 경우, 데이터 셋 일부/전부 재생성이 필요한 경우에 해당 부분을 수정하여 다시 평가해 보고 최종 평가에 도달합니다.
-
머신러닝 분류 모델의 성능 측정 방법 - Probably Approximately Correct (PAC) - TP, TN, FP, FN과 정확도, 재현율, 정밀도딥러닝/기초 2022. 11. 20. 15:42
TP, TN, FP, FN 정상적으로 판정한 경우 실제 양품을 양품으로 판정한 경우: TP = True Positive 실제 불량을 불량으로 판정한 경우: TN = True Negative 여기서 True는 올바르게 판정했다는 뜻이고, P/N은 이진 라벨을 뜻합니다. 개를 대상으로 하였다고 예를 들어보면, 보통 P는 '개'를 '개' 로 판정한 경우이고 N은 '개' 를 '개' 가 아닌 다른 객체로 판정한 경우입니다. 비정상적으로 판정한 경우 실제 양품을 불량으로 판정한 경우: FN = False Nagative 실제 불량을 양품으로 판정한 경우: FP = False Positive 여기서 False는 잘못 판정했다는 뜻이고 뒤의 P/N은 예측 값을 의미합니다. 판정 양품 예측 불량 예측 실제 양품 TP 9..