개발자를 위한 필수 수학

252

개발자를 위한 필수 수학

선(로지스틱 회귀 )의 면적이 더 크므로 더 우수한 모델임을 의미합니다.

그림

6-21

AUC

를 기준으로 두 모델의

ROC

곡선 비교

AUC

를 평가 기준으로 사용하려면 [예제

6

-

18

]의 교차 검증에서

scoring

매개변숫값을

'

roc

_

auc

'

로 바꾸면 됩니다.

예제

6-18

교차 검증에

AUC

사용하기

results

=

cross_val_score(model,

X,

Y,

cv=kfold,

scoring='roc_auc')

print("AUC: %.3f (%.3f)"

%

(results.mean(),

results.std()))

# AUC: 0.791 (0.051)

6.11

클래스 불균형

이 장을 마무리하기 전에 마지막으로 한 가지 더 다루어야 할 주제가 있습니다. 앞서 오차 행렬

에 대해 이야기할 때 본 것처럼, 모든 출력 클래스에 걸쳐 데이터가 균등하게 표현되지 않을 때

발생하는

클래스 불균형

class

imbalance

은 머신러닝의 한 문제입니다. 안타깝게도 우리가 주로 관심

있는 질병 예측, 보안 위험

security

breaches

, 사기 탐지

fraud

detection

등과 같은 여러 문제에서 클래스

불균형이 발생합니다. 클래스 불균형은 여전히 해결되지 않은 미해결 문제입니다. 하지만 시도

해볼 만한 몇 가지 기법이 있습니다. ...