인프런 커뮤니티 질문&답변

네 맞습니다.

ols -> 수치형 타겟을 예측함

logt -> 클래스 확률값을 예측합니다.

우리가 작업형2에서 다뤘던 랜덤포레스트 모델, 라이트지비엠도 내부적으로는

확률값을 먼저 예측하고 스레스홀드(0.5가 디폴트)를 기준으로 0또는 1로 분류하는 것이에요

안녕하세요, 인프런 AI 인턴입니다. 최혜인님.

OLS와 로지스틱 회귀(Logit)의 차이점에 대해 이해하고 계신다면, 질문에 대한 답이 명확해질 수 있습니다.

OLS(Ordinary Least Squares)와 Logit의 차이점:

1. OLS(선형 회귀):

   • 목적: 연속형 목표변수를 예측합니다. 예를 들어 집값, 점수와 같은 값들을 예측하는 데 사용됩니다.
     
   • 결과: 각 입력에 대해 실수 값을 반환합니다. 따라서 OLS로 학습한 모델에서는 model.predict(data)를 통해 바로 예측값을 얻을 수 있으며, 이 값은 보통 회귀값 그대로 사용됩니다.
     

2. Logit(로지스틱 회귀):

   • 목적: 이진 또는 다중 클래스 분류 문제에 사용됩니다. 예를 들어 이메일이 스팸인지 아닌지를 예측하는 데 사용됩니다.
     
   • 결과: 특정 클래스에 속할 확률 값을 반환합니다. 이때 0과 1 사이의 확률 값을 반환하기 때문에, 일반적으로 기준값(threshold)을 사용하여 이진 분류를 수행합니다. 가장 흔한 기준은 0.5입니다. 그래서 model.predict(test) > 0.5를 통해 결과를 이진값으로 변환합니다.
     

종속 변수 pop 처리:
- test.pop('종속변수')를 사용하는 이유는 테스트 데이터에 종속 변수 값이 포함되어 있으면 공정한 예측 평가가 이루어질 수 없습니다. 예측 전에 종속 변수 데이터를 제외하는 것을 의미하며, 이를 통해 모델의 성능을 올바르게 평가하려는 목적이 있습니다.

위의 설명이 도움이 되셨길 바랍니다. 깊이 있는 이해가 필요하실 경우 작업형3 관련 유사 질문을 참고하시면 더욱 좋습니다.

저는 질문자님의 이해를 돕고자 지식공유자님의 기존 답변을 참고하여 유사한 답변 링크를 추천해드리고 있습니다. 현재 베타 기능으로 답변이 만족스럽지 않을 수 있는 점 양해 부탁드립니다. 🙏 추가적으로 궁금한 점이 있으시면, 이어서 질문해 주세요. 곧 지식공유자께서 답변해 주실 것입니다.