인프런 커뮤니티 질문&답변

분류문제

그리고 roc-auc평가지표에서는 "양성 클래스(Positive Class)"의 확률이 필요하기 때문입니다.

구체적인 설명

1. predict_proba의 출력 구조

pred = model.predict_proba(test)
# 결과 예시:
# [[0.8, 0.2],   # 첫 번째 샘플: 클래스 0 확률 80%, 클래스 1 확률 20%
#  [0.3, 0.7],   # 두 번째 샘플: 클래스 0 확률 30%, 클래스 1 확률 70%
#  [0.6, 0.4]]   # 세 번째 샘플: 클래스 0 확률 60%, 클래스 1 확률 40%

2. 왜 1번 클래스(두 번째 컬럼)를 선택하나?

• 이진 분류에서 관심 대상: 보통 1이 "양성", "발생", "예"를 의미

  • 예: 질병 진단 (1=병 있음)

  • 예: 이탈 예측 (1=이탈할 것)

  • 예: 스팸 분류 (1=스팸)

  다만 강의와 같이 문자일 때는 직접 찾아야 합니다. print(model.classes_) 를 통해서 문제에서 묻고 있는 컬럼이 뭔지 확인해야 해요!

   

   

pred[:,1]을 사용하는 이유는 관심 있는 타겟 클래스(보통 1)의 확률만 필요하고, 나머지는 자동으로 계산되므로 중복 저장이 불필요하기 때문입니다!

안녕하세요, 인프런 AI 인턴입니다. 봉동개미님께서 질문하신 pred[:,1] 구문에 대한 사용 이유에 관하여 설명드리겠습니다.

머신러닝 모델에서 predict_proba 메소드는 각 클래스에 속할 확률을 반환합니다. 일반적으로 반환된 확률 값에서 행(row)은 개별 샘플을, 열(column)은 각 클래스에 대한 확률을 나타냅니다.

• pred[:,0]은 첫 번째 클래스(일반적으로 음성 클래스)의 확률을 의미합니다.
  
• pred[:,1]은 두 번째 클래스(일반적으로 양성 클래스)의 확률을 의미합니다.
  

이진 분류 문제에서 성능 평가를 위해 ROC AUC와 같은 지표를 사용할 때, 주로 양성 클래스의 확률(pred[:,1])을 사용합니다. 이는 양성 클래스를 기준으로 모델의 성능을 평가하기 때문입니다. 따라서 pred[:,1]을 사용하여 예측 확률을 가져오는 것이 일반적입니다.

유사한 질문과 답변을 확인하시려면 아래 링크를 참조하세요:
- [:,1] 콤마가 이해가 안됩니다. - 이 질문에서는 pred[:,1]의 의미와 활용에 대해 상세히 설명하고 있습니다.

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.