모델 평가와 성능 측정

정확도, 정밀도, 재현율, F1 점수, ROC 곡선, AUC, 혼동 행렬, 과적합, 교차 검증, 샘플링, 성능 지표, 모델 비교, 스케일링, 정상화, 데이터 세트, 메트릭, 그래디언트 부스팅, 신경망, 회귀, 분류, 클러

씨익북스 편집부 지음

씨익북스 2025년 01월 30일 출간

작품소개

책소개

"머신러닝 모델 평가와 성능 측정"은 데이터 과학자와 머신러닝 엔지니어를 위한 필수 가이드입니다. 이 책은 정확도, 정밀도, 재현율, F1 점수, ROC 곡선, AUC, 혼동 행렬 등 다양한 성능 지표를 심도 있게 다루며, 과적합 방지와 교차 검증 기법을 통해 모델의 일반화 능력을 향상시키는 방법을 설명합니다. 또한, 샘플링 기법과 데이터 스케일링 및 정상화의 중요성을 강조하며, 그래디언트 부스팅, 신경망, 회귀, 분류, 클러스터링 등 다양한 모델을 비교 분석합니다. 실용적인 예제와 함께 데이터 세트를 활용한 실습을 통해 독자들이 이론을 실제로 적용할 수 있도록 돕습니다.

목차

"모델 평가의 기초
정확도와 그 한계
정밀도와 재현율의 이해
F1 점수의 중요성
ROC 곡선 분석
AUC의 의미와 활용
혼동 행렬의 구성 요소
과적합과 그 해결책
교차 검증의 원리
샘플링 기법 비교
성능 지표의 중요성
모델 비교 방법론
스케일링 기법의 종류
정상화와 그 필요성
데이터 세트의 구성
메트릭 선택 기준
그래디언트 부스팅 개요
신경망 모델 이해하기
회귀 분석의 기초
분류 문제의 접근법
모델 평가에서의 데이터 분할
하이퍼파라미터 튜닝
모델 성능 향상을 위한 기법
특성 선택의 중요성
다양한 성능 지표의 비교
비지도 학습과 평가
모델의 일반화 능력
기계 학습의 평가 기준
모델의 안정성과 신뢰성
시간에 따른 모델 성능 변화
대규모 데이터 처리와 평가
모델 배포 후 성능 모니터링
비즈니스 관점에서의 모델 평가
기계 학습 생명주기와 평가
사전 처리의 중요성
성능 개선을 위한 피처 엔지니어링
앙상블 학습과 평가
비교 가능한 모델 선택
다중 클래스 분류 문제의 평가
회귀 모델의 성능 평가
정확도 외의 평가 지표
모델의 복잡성과 성능
훈련 데이터와 테스트 데이터의 균형
모델 성능의 시각화 방법
데이터 드리븐 의사결정
모델 평가에서의 편향과 분산
실시간 모델 평가 기법
무작위 샘플링과 성능
데이터 불균형 문제 해결하기
모델 해석 가능성과 평가
업계 표준의 성능 지표
모델 성능에 대한 지속적 개선
변화하는 데이터 환경에서의 평가
모델 평가의 윤리적 고려사항
모델 배포 후 피드백 루프
모델 성능의 정량적 분석
다양한 도메인에서의 평가 접근법"

작가정보

저자(글) 씨익북스 편집부

"세상을 아름다운 지식으로 물들이자" 위 모토를 바탕으로 다양한 지식 서적을 보급하고 있다.