파이썬 라이브러리를 활용한 머신러닝(번역개정판): 사이킷런 핵심 개발자가 쓴 머신러닝과 데이터 과학 실무서

324

파이썬 라이브러리를 활용한 머신러닝(번역개정판)

Out [3]:

테스트 세트 점수: 0.88

데이터를 훈련 세트와 테스트 세트로 나누는 이유는 지금까지 본 적 없는 새로운 데이터에 모

델이 얼마나 잘 일반화되는지 측정하기 위해서입니다. 모델이 훈련 세트에 잘 맞는 것보다, 학

습 과정에 없던 데이터에 대해 예측을 얼마나 잘 하느냐가 중요합니다.

이번 장에서는 두 가지 관점에서 이 평가 방법을 확장해보겠습니다. 먼저 안정적인 일반화 성

능 측정 방법인 교차 검증을 소개하고,

score

메서드가 제공하는 정확도와

R

2

값 이외에 분류

와 회귀 성능을 측정하는 다른 방법을 알아보겠습니다.

또한 가장 좋은 일반화 성능을 얻기 위해서 지도 학습 모델의 매개변수를 조정하는 데 유용한

그리드 서치에 관해서도 이야기하겠습니다.

5.1

교차 검증

교차 검증

cross

-

validation

은 일반화 성능을 재기 위해 훈련 세트와 테스트 세트로 한 번 나누는 것보

다 더 안정적이고 뛰어난 통계적 평가 방법입니다. 교차 검증에서는 데이터를 여러 번 반복해

서 나누고 여러 모델을 학습합니다. 가장 널리 사용되는 교차 검증 방법은

k

-겹 교차 검증

k

-

fold

cross

-

validation

으로

k

는 특정 숫자인데 보통

5

또는

10

을 사용합니다.

5

-겹 교차 검증을 하려면

데이터를 먼저