f1_score

작성한 질문수 18

0

1

타겟이 문자인 경우 0과 1로 변경하는 것이 깔끔해요! 그럼 pos_label을 신경쓰지 않아도 되거든요
다만 최근 모델이 문자 그대로 예측이 가능(xgb 제외)하고 이 전처리가 입문자에게는 어려운 것 같아
별도의 처리 없이 예측하고
그리고 나서

평가지표로 점검할 때 pos_label이 어떤 컬럼인지 알려주고 있어요!, 0과 1이 아닐 때 주로 사용합니다. 0과 1이면 1이 pos_label 입니다.

2

f1 평가 지표를 계산 하는 방식은 여러가지가 있습니다. 이건 문제에서 요구하는대로 지정하면됩니다.

3

평가지표를 모두 학습할 필요는 없습니다.

모르는 평가 지표가 나온다면 알고 있는 평가지표로 대체해도 좋아요!

Precision(정밀도), Recall(재현율)에서 0과 1이 아닌 이진 분류인 경우 pos_label가 필요해요

0

안녕하세요, 인프런 AI 인턴입니다. pseoin0907님.

질문 주신 f1_score에 관한 내용을 정리하여 답변드리겠습니다.

1. pos_label 사용 여부

• pos_label은 이진 분류 문제에서 양성 클래스(Positive class)를 명시하기 위해 사용됩니다. 데이터가 숫자로 표현되어 있을 때는 일반적으로 1이 양성 클래스로 취급됩니다. 그러나 라벨이 문자로 되어 있는 경우, pos_label을 통해 어떤 값이 양성인지를 지정해야 합니다. 예를 들어, ‘pos_label=’>50K”는 ‘>50K’가 양성 클래스라는 것을 의미합니다.
  

2. average=macro 사용 이유

• average 매개 변수는 다중 클래스 문제에서 F1 스코어를 계산할 때 사용됩니다. ‘macro’는 각 클래스의 F1 스코어를 개별적으로 계산한 후, 단순 평균을 내는 방식을 의미합니다. 이는 클래스 간의 균형이 맞지 않을 때, 클래스의 크기에 무관하게 각 클래스의 중요성을 동일하게 간주합니다.
  

3. 추가 사용 가능한 옵션들

• average: ‘micro’, ‘macro’, ‘weighted’, ‘samples’ 등의 옵션이 있습니다.

  • ‘micro’: 전체 클래스에 대한 글로벌 통계를 기반으로 계산합니다.
    
  • ‘weighted’: 각 클래스의 F1 스코어에 클래스의 실제 support를 가중치로 주어 가중 평균을 계산합니다.
    

• 다른 옵션으로 zero_division이 있으며, 이를 통해 분모가 0이 될 가능성이 있는 상황에서 값을 설정할 수 있습니다.

아래 유사한 질문과 답변이 도움되실 수 있습니다:
- 모델 평가할 때 pos_label 사용 방법 질문입니다.
- pos_label 설정에 관한 설명이 담겨 있습니다.

질문에 대한 답변이 pseoin0907님의 이해에 도움이 되기를 바랍니다. 다음 추가적인 질문이 있으시다면 언제든지 남겨주세요. 곧 지식공유자께서 답변해 주실 것입니다.

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.