위양성율 (False Positive Rate) 위양성율(False Positive Rate, 약자 FPR)은 이진 분류(Binary Classification) 문제에서 실제 음성(Negative)인 샘플 중 모델이 양성(Positive)으로 잘못 예측한 비율을 의미합니다. 즉, "사건이 발생하지 않았음에도 불구하고 사건이 발생했다고 판단하는 오류"의 빈…

기계 학습 전처리 기계 학습 전처리(Machine Learning Preprocessing)는 원시 데이터를 기계 학습 모이 효과적으로 학습할 수 있도록 변환하고 준비하는 일련의 과정을 의미합니다. 모델의 성능은 학습 알고리즘뿐 아니라 데이터의 질에 크게 의존하므로, 전처리는 기계 학습 프로젝트에서 가장 중요한 단계 중 하나로 꼽힙니다. 이 문서에서는 기계…

집단별 성능 지표 (Stratified Performance Metrics) 개요 집단별 성능 지표(Stratified Performance Metrics)는 머신러닝 및 데이터 과학 모델의 평가 과정에서 전체 데이터셋의 평균 성능만으로는 파악하기 어려운 하위 그룹(Sub-group) 간의 성능 편차(Disparity)를 정량화하기 위해 사용되는 평가 방법…

레이블의 분포 (Label Distribution) 개요 레이블의 분포(Label Distribution)는 기계 학습(Machine Learning) 및 데이터 과학 분야에서 분류(Classification) 문제의 타겟 변수(Target Variable)가 데이터셋 내에서 어떻게 할당되어 있는지를 나타내는 통계적 특성입니다. 특히 지도 학습(Superv…

재현율 (Recall) 재현율(Recall)은 머신러닝과 데이터 과학 분야에서 분류(Classification) 모델의 성능을 평가하는 핵심 지표 중 하나입니다. 특히 불균형 데이터(Imbalanced Data)가 존재하거나, 거짓 음성(False Negative)의 비용이 매우 높은 상황에서 모델의 민감도(Sensitivity)를 파악하는 데 필수적인 개…

거짓 음성 개요 거짓 음성(False Negative, FN)은 분류 모델의 예측 결과와 실제 정답 사이의 불일치를 나타내는 중요한 평가 지표 중 하나로, 특히 이진 분류(binary classification) 문제에서 핵심적인 개념입니다. 거짓 음성은 실제 긍정 클래스(Positive)에 속하는 사례를 모델이 부정 클래스(Negative)로 잘못 예측했…

샘플링 개요 샘플링()은 전체 모집(Population)에서 일부 선택하여 그 특성을 조사함으로써 모단의 성질을 추정하는 통계적 방법이다. 현실 세계 모든 데이터를 수집하거나 분석하는 것은 비용, 시간 자원 등의 제약으로 인해 불능한 경우가 많기 때문에, 데이터과학에서는 샘플링을 통해 효율적이고 신뢰성 있는 분석을 수행한다. 샘플링은 사회조사, 시장 조사,…

오버샘플링 개요 오버샘플(Over-sampling은 기계 학습 데이터 과학 분야에서불균형 데이터(imbalanced data) 문제를 해결하기 위해 사용되는 데이터 전 기법 중 하나. 불균형란 특정 클래스의 샘플 수가 다른에 비해 현히 적은 경우를 말하며, 이는 분류 모델의 성능에정적인 영향 미칠 수 있습니다. 예를, 질병 진 데이터에서 건강한 환자는 많지…

FP FP(False Positive, 위양성)는 데이터, 특히 머신러닝과 통계 분석에서 중요한 개념 중 하나로, 모델이 실제로는 부정 클래스(Negative) 인 사례를 잘못되어 양성 클래스(Positive) 로 예측한 경우를 의미합니다. 혼동 행렬(Confusion Matrix)에서 FP는 모델의 오분류 오류를 나타내는 네 가지 요소 중 하나이며, 정밀…

목표 변수 개 목표 변수(Target Variable)는 데이터 과학 및 머신러닝 분야에서 모델이 예측하거나 설명하려는 주요 변수를 의미합니다. 이는 종속 변수(Depend Variable), 응답 변수(Response Variable), 또는 출력 변수(Output Variable)라고도 불리며, 모델 학습의 중심이 되는 요소입니다. 데이터 전처리 과정에…

다중 로지스틱 회귀 개요 다중 로지스틱 회귀(Multinomial Logistic Regression)는 이산형 종속 변수를 예측하기 위한 통계적 모델로, 이진 로지스틱 회귀(Binary Logistic Regression)의 확장 형태이다. 이 방법은 두 가지 이상의 클래스(범주)를 가진 문제에 적용되며, 각 클래스에 대한 확률을 동시에 추정하는 특징이 …