Ttoro_Tech

Random Split 문제 검증용 데이터가 모델의 일반화된 성능을 추정할 수 있게 도와줌 하지만 단 하나의 데이터 셋에 대한 추정 하나의 데이터 셋에서 얻은 성능 -> 정확도에 확신을 가질 수 없음 더욱 정교한 평가 절차가 필요 K-Fold Cross Validation(K-분할 교차 검증) 모든 데이터가 평가에 한번, 학습에 k-1번 사용 k개 분할(Fold), 모든 성능 추정치 -> 평균과 표준편차 계산 단, k는 2 이상 장점 모든 데이터를 학습과 평가에 사용할 수 있음 반복 학습과 평과를 통해 정확도를 향상시킬 수 있음 데이터가 부족해서 발생하는 과소적합 문제를 방지 평가에 사용되는 데이터의 편향을 막을 수 있음 일반화된 모델을 만들 수 있음 단점 반복 횟수가 증가하여, 모델 학습과 평가에 많은..

https://www.aitimes.kr/news/articleView.html?idxno=27388 머신러닝 모델 신뢰성 높인다!... 추가 데이터 없이, 보다 효과적인 불확실성 정량화 AI 모델 - 인 강력한 인공지능(AI) 머신러닝 모델은 의료 이미지에서 질병을 식별하거나 자율 주행 차량의 도로 장애물을 감지하는 것과 같은 다양한 의사 결정을 수행하는 등 더 핵심적인 업무로 어려운 문 www.aitimes.kr 강력한 인공지능(AI) 머신러닝 모델 의료 이미지에서 질병을 식별 자율 주행 차량의 도로 장애물 감지 But ML(Machine Learning) 모델 오류 원인을 즉각적으로 알지 못함 어떻게 이런 결정을 했는지 사용자조차 파악하지 못함 고위험 환경에서는 AI에 의존할 수 없다 신뢰성이 떨어..