학습목표

• 원하는 결과물을 얻지 못했을 때 대처하는 방법을 배운다.

핵심키워드

• 평가 척도 (evaluation metric)
• 개발 세트 (dev set)
• 시험 세트 (test set)
  

학습내용

• 머신러닝은 크게 두 단계로 나눠져 있습니다.

1. 모델을 평가할 적절한 척도를 설정합니다.
2. 해당 척도를 기준으로 좋은 성능을 이끌어 내는 것입니다.

• 모델의 평가 척도가 좋더라도 실제 어플리케이션에서 좋은 성과를 얻지 못하거나 원하는 결과물을 얻지 못하면 두 가지를 살펴 볼 수 있습니다.
• 첫째, 평가 척도를 바꾸는 것입니다.
• 원하지 않는 결과에 가중치를 크게 줘서 손실값을 나쁘게 만듭니다.
• 기존:
•  \displaystyle\frac{1}{m_{dev}}\sum_{i=1}^{m_{dev}} I\{y_{pred}^{(i)} \neq y^{(i)} \}  ​m​dev​​​ ​1​​​i=1​∑​m​dev​​​​I{y​pred​(i)​​≠y​(i)​​} 
• 가중치 부여후:
•  \displaystyle\frac{1}{\sum w^{(i)}}\sum_{i=1}^{m_{dev}} w^{(i)} I\{y_{pred}^{(i)} \neq y^{(i)} \}  ​∑w​(i)​​​ ​1​​​i=1​∑​m​dev​​​​w​(i)​​I{y​pred​(i)​​≠y​(i)​​} 
• 원치 않는 데이터에 큰 가중치 ( w^{(i)}  w​(i)​​ ) 를 부여합니다.
• 둘째, 개발 및 시험 세트를 셀제 앱에서 사용되는 데이터로 바꾸는 것입니다.