Build your ultimate AI agent
코스 설명
요즘은 Machine Learning 모델을 구현하기가 그 어느 때보다 쉬워졌습니다. 하지만 올바르게 검증하지 않으면, 새 데이터를 모델에 넣어 얻은 결과가 기대만큼 정확하지 않을 수 있어요. 모델 검증은 “모델이 얼마나 좋은가요?”라는 질문에 자신 있게 답할 수 있게 해줍니다. 이 강의에서는 분류 모델은 틱택토 최종 국면 전체 시나리오를, 회귀 모델은 fivethirtyeight의 Halloween 캔디 파워 랭킹 데이터셋을 사용해 이 질문에 답해 봅니다. 강의 전반에서 모델 검증의 기본을 다루고, 다양한 검증 기법을 살펴보며, 신뢰할 수 있고 성능이 뛰어난 모델을 만드는 도구를 익혀 갑니다.
사전 요구 사항
커리큘럼
코스 개요
1
scikit-learn으로 시작하는 기본 모델링
모델을 검증하려면, 우선 모델을 만들고 다루는 방법을 알아야 합니다. 이 장에서는 scikit-learn에서 회귀와 분류 모델을 실행하는 방법을 소개합니다. 여기서 다지는 모델 구축 기초는 이후 장들에서도 계속 활용합니다.
2
검증의 기초
이 장은 모델 검증의 기초에 집중합니다. 학습, 검증, 테스트 데이터셋으로 분할하는 방법부터 편향-분산 균형에 대한 이해를 쌓는 것까지, 3장에서 실습할 K-Fold와 Leave-One-Out 검증 기법의 토대를 마련합니다.
3
교차 검증
홀드아웃 세트는 모델 검증의 훌륭한 출발점입니다. 그러나 단일 학습/테스트 세트만으로는 충분하지 않은 경우가 많습니다. 교차 검증은 모델 성능을 검증하는 데 사실상 표준이며, 하이퍼파라미터 튜닝 시 거의 항상 사용됩니다. 이 장에서는 교차 검증을 수행해 모델 성능을 검증하는 방법에 초점을 맞춥니다.
4
하이퍼파라미터 튜닝으로 최적 모델 선택
1~3장에서 모델 검증 기법을 살펴보았습니다. 4장에서는 특히 교차 검증을 적용하면서 하이퍼파라미터 튜닝을 배웁니다. 결국 모델 검증이 있어야 튜닝이 가능하고, 이를 통해 전반적으로 가장 좋은 모델을 선택할 수 있습니다.
Python에서의 모델 검증
코스
완료
