AI & Data
예측 확률과 실제 빈도, 대안을 선택하는 기준 정리
높은 확률을 출력하는 모델이 그만큼 자주 맞는다고 바로 믿을 수는 없다. 장점과 비용을 함께 보기를 중심으로 작은 예제와 확인 기준을 정리합니다.
THE BUILDER’S NOTE
Engineering.
01 / INSIDE THE BUILD만들며 배우고, 배운 것을 나눕니다.
더 나은 제품을 향한 개발의 기록.
찾고 있던 이야기
작은 발견부터 깊이 있는 고민까지.
카테고리AI & Data
필터 초기화AI & Data
혼동 행렬로 실패 종류 나누기, 대안을 선택하는 기준 정리
단일 점수는 어떤 클래스를 서로 혼동하는지 보여 주지 못한다. 장점과 비용을 함께 보기를 중심으로 작은 예제와 확인 기준을 정리합니다.
AI & Data
실험을 다시 실행할 수 있게 기록하기, 대안을 선택하는 기준 정리
같은 코드인데 실행할 때마다 점수가 바뀌면 변경의 효과를 판단하기 어렵다. 장점과 비용을 함께 보기를 중심으로 작은 예제와 확인 기준을 정리합니다.
AI & Data
복잡한 모델 앞의 단순한 기준선, 대안을 선택하는 기준 정리
복잡한 모델이 돌아간다는 사실만으로 유용한 예측을 만든다고 판단하기 어렵다. 장점과 비용을 함께 보기를 중심으로 작은 예제와 확인 기준을 정리합니다.
AI & Data
회귀 오차의 크기를 읽는 방법, 대안을 선택하는 기준 정리
평균 오차가 줄었어도 드물게 발생하는 큰 실수는 더 커졌을 수 있다. 장점과 비용을 함께 보기를 중심으로 작은 예제와 확인 기준을 정리합니다.
AI & Data
이상치 제거 전에 할 질문, 대안을 선택하는 기준 정리
평균에서 멀리 떨어진 값을 모두 지우면 중요한 드문 사건까지 사라질 수 있다. 장점과 비용을 함께 보기를 중심으로 작은 예제와 확인 기준을 정리합니다.