Pseudo-labeling (의사 라벨링) 1. 개요 Pseudo-labeling(의사 라벨링)은 라벨이 없는 데이터(Unlabeled Data)에 대해 모델이 예측한 결과값 중 신뢰도가 높은 것을 임시 정답(Pseudo-label)으로 간주하여 다시 학습 데이터셋에 포함시키는 준지도 학습(Semi-supervised Learning) 기법이다. 학계에서…

정상성 (Stationarity) 1. 개요 정상성(Stationarity)이란 시계열 데이터의 통계적 특성(평균, 분산 등)이 시간이 경과해도 변하지 않고 일정하게 유지되는 성질을 의미한다. 시계열 분석의 핵심 목적은 과거의 패턴을 통해 미래를 예측하는 것인데, 데이터의 통계적 특성이 시간에 따라 계속 변한다면 과거의 데이터로 학습한 모델을 미래에 적용하…

오류 비용 (Cost of Error) 1. 개요 오류 비용(Cost of Error)이란 머신러닝 모델이나 통계적 의사결정 시스템이 잘못된 예측을 내렸을 때 발생하는 경제적, 사회적, 혹은 물리적 손실의 가치를 의미한다. 오류 비용은 품질 경영(Six Sigma, Taguchi Loss Function)이나 경제학 등 다양한 분야에서 다루는 광범위한 개념…

차분 차수 (Differencing Order) 1. 개요 차분 차수(Differencing Order)란 시계열 데이터의 비정상성(Non-stationarity)을 제거하여 [[정상성]](Stationarity)을 확보하기 위해, 인접한 시점의 데이터 값들의 차이를 구하는 연산을 반복 수행한 횟수를 의미한다. 시계열 분석에서 정상성이란 시간의 흐름에 따라…

목표 기반 인코딩 목표 기반 인코딩(Target-based Encoding)은 범주형 변수(Categorical Variable)를 수치형 변수로 변환 데이터 인코딩법 중 하나로, 특히 지도 학습(Supervised Learning)에서 목표 변수(Target Variable)와의 관계를 활용하여 인코딩을하는 방법입니다. 이 방은 단순한 레이블 인코딩(La…

Label Bias Problem 개요 Label Bias Problem(벨 편향 문제)은신러닝, 조건부 확률 모델(Conditional Random Fields, CRFs 등)과 순차적 예측 모델(Sequential Models)에서 발생 수 있는 중요한 이슈이다. 이 문제는델이 각 출력 라벨을 독립적으로 예측하려는 경향 때문에,전 상태나 문맥 정보를 충…

예측 정확도 균형 개요 예측 정확도 균형(Predictive Parity)은 인공지능I) 시스템, 특히 머신러닝 모델이 다양한 집단(예: 인종, 성별, 연령대 등)에 대해 동일한 수준의 예측 정확도를 유지하는 것을 의미합니다. 이 개념은 AI의 공정성(Fairness)을 평가하는 핵심 지표 중 하나로, 특정 집단이 다른 집단보다 불리하게 예측되는 것을 방지…