머신러닝 파워드 애플리케이션: 아이디어에서부터 완성된 제품까지, 강력한 머신러닝 애플리케이션 구축 과정 배우기

213

7

장

분류기를 사용한 글쓰기 추천

7.2

모델 비교하기

2

.

1

절 ‘성공 측정하기’에서 제품의 성공을 판단하는 중요한 측정 지표를 다루었습니다.

5

.

1

.

5

절

‘성능 평가’에서는 모델을 평가하는 방법을 설명했습니다. 이러한 방법을 모델과 특성 반복에

사용하여 가장 성능이 좋은 것을 찾아낼 수도 있습니다.

이번 절에서는 핵심 측정 지표의 일부를 선택하여 머신러닝 에디터의 세 가지 버전을 모델 성

능과 추천의 유용성 측면에서 평가해보겠습니다.

머신러닝 에디터의 목표는 앞서 언급한 기법을 사용해 추천을 제공하는 것입니다. 추천의 성능

을 높이려면 모델은 다음과 같은 요구 사항을 만족해야 합니다. 예측 확률이 질문의 품질에 대

한 의미 있는 추정값이 되도록 잘 보정되어야 합니다.

2

.

1

절 ‘성공 측정하기’에서 다루었듯이

추천이 정확하려면 정밀도가 높아야 합니다. 모델이 사용하는 특성은 추천의 바탕이 되기 때문

에 사용자가 이해할 수 있어야 합니다. 마지막으로 블랙박스 설명 도구를 사용해 추천을 제공

할 수 있도록 충분히 빨라야 합니다.

머신러닝 에디터를 위한 몇 가지 모델링 방식을 설명하고 성능을 비교해보죠. 성능 비교에 관

한 코드는 책의 깃허브 저장소

7

에 있는

comparing

_

models

.

ipynb

노트북에서 볼 수 있습니다.

7.2.1

버전

1

: 가독성 점수 표시 ...