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

328

파이썬 라이브러리를 활용한 머신러닝(번역개정판)

또 데이터를 여러 개로 나누면 모델이 훈련 데이터에 얼마나 민감한지 알 수 있습니다.

iris

데

이터셋에서

90

~

100

%의 정확도를 얻었습니다. 이 범위는 꽤 넓으며 새로운 데이터를 적용했

을 때 최악의 경우와 최선의 경우를 짐작할 수 있게 합니다.

교차 검증의 또 다른 장점은 분할을 한 번 했을 때보다 데이터를 더 효과적으로 사용할 수 있다

는 점입니다.

train

_

test

_

split

를 사용하면 보통 데이터 중

75

%를 훈련 세트로 사용하고

25

%

를 평가에 사용합니다.

5

-겹 교차 검증을 사용하면 매 반복에서

4

/

5

의 데이터, 즉

80

%를 모델

학습에 사용합니다.

10

-겹 교차 검증이라면 데이터의

9

/

10

인

90

%를 모델 학습에 사용합니다.

많은 데이터는 보통 더 정확한 모델을 만들어냅니다.

교차 검증의 주요 단점은 연산 비용이 늘어난다는 것입니다. 모델을

k

개 만들어야 하므로 데이

터를 한 번 나눴을 때보다 대략

k

배 더 느립니다.

3

NOTE

_

교차 검증이 새로운 데이터에 적용할 모델을 만드는 방법이 아니라는 점을 잊지 마세요. 교차 검증

함수는 모델을 반환하지 않습니다.

cross

_

val

_

score

함수를 호출하면 내부적으로 여러 모델이 만들어지지만,

교차 검증의 목적은 단지 주어진 데이터셋에 ...