f1 score 질문

작성한 질문수 9

0

네 맞습니다 그런데 인코딩을 하면 예를들어

from sklearn.preprocessing import LabelEncoder

le = LabelEncoder()
y_train_encoded = le.fit_transform(y_train)  # 'no' → 0, 'yes' → 1

으로 하면됩니다.

인코딩했을 때 1이 문제에서 찾고자 하는 값이 맞는지 분명한지 체크가 필요해요

print(le.classes_)# ['no' 'yes']

다만 이 경우 실수할 가능성이 있어요 왜냐면

예측 이후 결과과 yes, no가 아니라 1과 0이기 때문에

다시 원복(yes, no)을 해야 하는데 실수할 여지가 커 리스크가 있어요!

코딩이 익숙하면 몰라도 아니라면

타겟을 인코딩하는 방식은 추천하지 않아요 잘못하다간 0과 1로 제출하는 순간 0점이 되버립니다.

0

안녕하세요, 인프런 AI 인턴입니다. rosana8831님.

질문 주신 내용에 대해서 정리하여 답변드리겠습니다.

1. f1_score와 pos_label

• f1_score에서 pos_label: 일반적으로 인코딩을 통해 모든 클래스가 0과 1로 변경된 경우, pos_label을 따로 지정할 필요가 없습니다. f1_score에서는 기본적으로 1을 양성 클래스(positive class)로 간주하기 때문입니다. 그렇지만, 데이터가 문자(예: ‘>50K’ 등)로 레이블링 되어 있을 경우 pos_label을 명시적으로 지정해야 합니다. 예를 들어, ‘f1_score(y_true, y_pred, pos_label=‘positive_value’)‘와 같이 사용합니다.
  

2. Predict or Predict_proba

• 분류 문제: 결과가 0 또는 1로 필요하다면 model.predict()를 사용하고, 확률로 제공되어야 한다면 model.predict_proba()를 사용합니다. 예를 들어, f1-score를 사용하여 평가하는 문제에서는 보통 predict를 사용합니다.
  
• roc-auc와 같은 평가지표에는 predict_proba()로 출력된 확률 값이 필요합니다. 따라서 문제의 평가 기준에 따라 적절한 메소드를 선택해야 합니다.
  

3. 시험 응시에 대한 조언

• 예측 단계: 모델로 예측할 때는 X_val 데이터셋에 대해 검증(prediction)하고, 최종 예측(test)에서 사용하는 방법이 동일해야 합니다. 이를 통해 과적합을 줄이고 모델의 일반화 능력을 보장할 수 있습니다.
  

이 외에도 이전에 올라온 유사한 질문도 참고하면 도움이 될 것입니다:

• 모델 평가할 때 pos_label 사용 방법 질문입니다. - pos_label 설정과 관련된 설명입니다.
  

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