대표성 편향 (Representativeness Bias) 1. 개요 대표성 편향(Representativeness Bias)이란 어떤 대상이 특정 집단의 전형적인 특성과 유사하다는 이유만으로, 그 대상이 해당 집단에 속할 확률이 높다고 판단하는 인지적 오류를 의미한다. 이는 사람들이 확률적 판단을 내릴 때 수학적인 확률 계산보다는 직관적인 '유사성'이나 …
검색 결과
검색어를 입력하세요.
PR-AUC (Precision-Recall Area Under the Curve) 1. 개요 PR-AUC는 정밀도-재현율 곡선 아래의 면적(Area Under the Precision-Recall Curve)을 수치화한 지표로, 이진 분류 모델의 성능을 평가하는 데 사용됩니다. 이 지표는 정밀도(Precision)와 재현율(Recall)의 조화로운 성능을…
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…
F1 score 개요 F1 score(F1 점수)는 머신러닝과 데이터 과학 분야에서 분류 모델의 성능을 평가하는 데 널리 사용되는 지표입니다. 특히 정밀도(Precision)와 재현율(Recall) 사이의 균형을 중요시할 때 유용하며, 두 지표의 조화 평균(Harmonic Mean)으로 정의됩니다. F1 score는 불균형한 데이터셋(Imbalanced D…
F1 스코어 개요 F1 스코어(F1 Score)는 기계학습과 데이터과학 분야에서 분류 모델의 성능을 평가하는 데 널리 사용되는 지표 중 하나입니다. 특히 정밀도(Precision)와 재현율(Recall)이 모두 중요한 상황에서 두 지표의 조화 평균(Harmonic Mean)을 계산하여 모델의 균형 잡힌 성능을 평가하는 데 유용합니다. F1 스코어는 불균형 …
정밀도 균형 정밀도 균형(Precision Balance은 데이터과학, 머신러닝 모델 평가에서 중요한 중 하나로, 정밀도(Precision)와 재현(Recall) 사이의 균형을 의미합니다. 이는 모델이 얼마나 정하게 긍정 클래스를 예측하는지(정밀도), 그리고 실제 긍정 샘플 중 얼마나 많은 비율을 올바르게 찾아내는지(재현율)를 고려하여 모델의 성능을 종합적…
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…
F1 점수 개요 F1 점수1 Score)는 인공지능 머신러닝 분야에서 분류 모델의 성능을 평가 데 널리 사용되는 지입니다. 특히 밀도(Precision)와 재현율(Recall)을 조화롭게 결합한 지표로, 두 값의 조화 평균(Harmonic Mean)을 계산하여 모델의 균형 잡힌 성능을 평가합니다. F1 점수는 불균형 데이터셋(Imbalanced Datase…
범주형 데이터 포인트 개요 범주형 데이터 포인트(Categorical Data Point)는 특정 변수가 명확한 범주 또는 그룹에 속하는 값을 가지는 데이터 유형이다. 이는 수치적 정보보다는 분류나 속성을 나타내며, 데이터 과학에서 분석 전처리 및 모델링 단계에서 중요한 역할을 한다. 예를 들어, "성별(남/여)", "국가(한국/미국/일본)"와 같은 정보는…
데이터 포인트 개요 데이터 포인트는 데이터 과학 및 분석에서 기본적인 정보 단위로, 특정 변수 또는 특성에 대한 관측 결과를 나타냅니다. 이 문서에서는 데이터 포인트의 정의, 유형, 분석에서의 역할, 관련 도전 과제 등을 체계적으로 탐구합니다. 1. 정의 및 개념 1.1 데이터 포인트의 정의 데이터 포인트는 특정 상황 또는 실험에서 수집된 단일 정보 항목을…