fastai와 파이토치가 만나 꽃피운 딥러닝

389

9



테이블 데이터 모델링 깊게 알아보기

과는

oob

_

prediction

_

속성에서 확인할 수 있습니다. 학습용 데이터셋의 일부를 사용하므로

학습용 데이터셋에 포함된 레이블과 비교해

RMSE

값을 계산합니다.

>>> r_mse(m.oob_prediction_, y)

0.210686

OOB

오차가 별도의 검증용 데이터셋에서 구한 오차보다 훨씬 낮음을 알 수 있습니다. 이는

일반화 외에도 오차를 유발하는 원인이 있음을 의미합니다. 그 이유는 이 장의 뒷부분에서 설

명합니다.

이는 모델의 예측을 해석하는 한 가지 방법입니다. 다음으로는 해석하는 방법을 좀 더 다뤄보

겠습니다.

9.6



모델의 해석은 테이블 데이터에서 특히 중요합니다. 다음과 같은 질문에 관심을 가질만하겠죠.

●

모델이 특정 데이터 행에 대한 예측 결과를 얼마나 신뢰할 수 있나요?

●

특정 데이터 행에 대한 예측 시 가장 중요한 요소는 무엇인가요? 그 요소가 예측에 어떤 영향을 주나요?

●

어떤 열이 가장 영향력 있는 예측 변수(특징/열 )이며 어떤 열을 무시해도 좋을까요?

●

예측 결과에 중복 효과가 있는 열이 있나요?

●

이런 열의 포함 범위를 바꾸면 예측 결과는 어떻게 달라지나요?

랜덤 포레스트는 이런 질문에 해답을 제공하는 데 특히 적합합니다. 그러면 첫 번째부터 시작

해보죠!