AI & Data
불균형한 데이터의 기준선, 변경 전후를 비교하는 방법
대부분이 같은 클래스인 데이터에서는 아무것도 구분하지 않는 모델도 높은 정확도를 보일 수 있다. 같은 조건에서 얻은 증거를 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
결측값의 의미부터 확인하기, 변경 전후를 비교하는 방법
비어 있는 값을 모두 0으로 바꾸면 실제 0과 관찰하지 못한 상태가 섞인다. 같은 조건에서 얻은 증거를 중심으로 작은 예제와 확인 기준을 정리합니다.
AI & Data
전처리에서 생기는 데이터 누수, 변경 전후를 비교하는 방법
모델에 평가 데이터를 직접 넣지 않았어도 전처리 단계에서 평가 정보가 전달될 수 있다. 같은 조건에서 얻은 증거를 중심으로 작은 예제와 확인 기준을 정리합니다.
AI & Data
학습 데이터와 평가 데이터 나누기, 변경 전후를 비교하는 방법
같은 데이터로 학습과 평가를 모두 하면 모델이 새로운 입력을 얼마나 잘 처리하는지 알기 어렵다. 같은 조건에서 얻은 증거를 중심으로 작은 예제와 확인 기준을 정리합니다.
AI & Data
라벨의 정의와 일치도, 실패를 설명할 단서 남기기
같은 사례에 서로 다른 기준으로 라벨을 붙이면 모델의 한계와 데이터의 모호함을 구분하기 어렵다. 결과와 원인을 구분하는 기록를 중심으로 작은 예제와 확인 기준을 정리합니다.
AI & Data
데이터 스키마를 입력 계약으로, 실패를 설명할 단서 남기기
열 이름이 같아도 타입과 단위가 바뀌면 모델은 의미가 다른 입력을 받을 수 있다. 결과와 원인을 구분하는 기록를 중심으로 작은 예제와 확인 기준을 정리합니다.