로우코드 AI

238

로우코드 AI

더 정확한 결과를 얻으려면 학습 및 평가 시 동일한 변환을 수행해야 한다는 중요한 점을 배웠

습니다. 이는 평가뿐만 아니라, 예측 시에도 마찬가지입니다. 한편, 이 변환이 어떻게 수행되는

지에 관한 명확한 문서화가 되지 않는다면, 학습 시 보고된 성능과는 전혀 다른 결과가 나오더

라도 그 이유를 파악하는 데 어려움이 있을 것입니다. 따라서 일관된 변환이 적용될 수 있도록

문서화를 해 두어야 합니다. 또한, 이러한 변환이 학습, 평가, 예측 시 일관된 방식으로 적용되

도록 사이킷런의 파이프라인과 같은 도구를 활용하는 것도 중요합니다.

7.4.3

분류 평가 지표

정확도는 간단하고 이해하기 쉬운 지표로, 분류 모델에 흔히 사용합니다. 그러나 정확도만을

지표로 사용하는 데는 몇 가지 문제가 있을 수 있습니다. 가령 모델의 정확도가 약

80

%라면 상

당히 괜찮아 보일 수 있지만, 단순히 고객 이탈이 없다고만 예측하는 모델도 약

73

.

5

%의 정확

도를 보일 수 있습니다. 물론

80

%의 정확도가

73

.

5

%보다는 높기는 하지만, ‘고객 이탈이 없다’

라고만 예측하는 모델은 실제로 비즈니스에 큰 도움이 되지 않습니다. 예를 들어, 고객 이탈을

예측하고 이를 방지하는 것이 목표라면, 단순히 ‘모든 고객이 이탈하지 않는다’라고 예측하는

모델은 고객 이탈을 막을 구체적인 대응 전략을 세우는 데 아무런 도움을 주지 못합니다. 즉,

이러한 모델은 고객이 이탈할 가능성이 있는지를 전혀 파악하지 못하므로 결과적으로 실질적

인 통찰을 제공하지