AIFFEL 2022.01.06
Exploration 2
오차 행렬 (confusion matrix)
코로나 환자 검측 예시
-
TP(True Positive) : 실제 환자에게 양성판정 (참 양성)
-
FN(False Negative) : 실제 환자에게 음성판정 (거짓 음성)
-
FP(False Positive) : 건강한 사람에게 양성판정 (거짓 양성)
-
TN(True Negative) : 건강한 사람에게 음성판정 (참 음성)
-
정밀도(precision) : 양성으로 예측한 놈들 중에서, 실제로 양성인 놈이 얼마나 있는가?
Precision이 크려면 음성인데 양성으로 판단하는 경우가 적어야 합니다. 음성을 놓치지 말아야 한다는 거죠! 어떤 경우가 있을까요? 스팸메일 필터 -
재현율(recall = sensitivity(민감도)) : 실제로 양성인 놈들을, 얼마나 예측해냈는가?
Recall이 크려면 양성인데 음성으로 판단하는 경우가 적어야 합니다. 양성을 놓치지 말아야 하죠. 이건 어떤 경우가 있을까요? 암환자 진단 -
F1 Score : Recall과 Precision의 조화평균
-
Accuracy : 전체 데이터 중 올바르게 판단한 데이터 개수의 비율
from sklearn.metrics import confusion_matrix
confusion_matrix(y_test, y_pred)
precision recall f1-score support
0 1.00 1.00 1.00 11
1 1.00 0.83 0.91 12
2 0.78 1.00 0.88 7
accuracy 0.93 30
macro avg 0.93 0.94 0.93 30
weighted avg 0.95 0.93 0.93 30
Support Vector Machine (SVM)
- support(vector) : Decision Boundary에 가까이 있는 데이터
- Margin: Decision Boundary와 Support Vector 사이의 거리
Author And Source
이 문제에 관하여(AIFFEL 2022.01.06), 우리는 이곳에서 더 많은 자료를 발견하고 링크를 클릭하여 보았다 https://velog.io/@jinoung/AIFFEL-양재2기-9th-day저자 귀속: 원작자 정보가 원작자 URL에 포함되어 있으며 저작권은 원작자 소유입니다.
우수한 개발자 콘텐츠 발견에 전념 (Collection and Share based on the CC Protocol.)