최종 분류 모델을 생성할 때, 어떤 데이터를 사용해야 하는지 궁금합니다.

Question

안녕하세요. 강사님의 여러 강의를 듣고 큰 도움을 받고 있습니다. 제가 궁금한 것은, 실제 업무 영역에서 분류모델을 적용하는 과정입니다. 모델을 생성한 후, 실제 타겟값을 알 수 없는 현실데이터에 적용을 해야 할 때, 어떤 데이터로 만든 모델을 적용해야 하는지 궁금합니다. 예를 들어서 강의에 따르면, 랜덤포레스트의 경우, 구축된 데이터 중에서 학습/테스트를 나누고 학습데이터를 가지고 모델을 만들고 테스트데이터를 가지고 최종정확도 성능을 확인하잖아요. 그리고 나서 이제는 타겟값을 알 수 없는 데이터에 적용을 하는 거잖아요. 그때 사용하는 머신러닝모델은 테스트데이터에서 높은 정확도가 나온 '학습데이터로 만든 모델'을 적용하는 거라고 생각하는데요. 그런데, 최종적으로 높은 성능을 보인 모델의 하이퍼파라미터값을 학습데이터와 테스트데이터를 다 합친 것에 적용해서 최종 모델을 생성하고 실제로 타겟값을 알 수 없는 모델에 적용하는 건 괜찮은 걸까요?   궁금해서 여쭤봅니다. 항상 감사드립니다.

권 철민 · Answer

안녕하십니까, 도움이 되었다니 저도 뿌듯합니다. ^^ 그런데, 최종적으로 높은 성능을 보인 모델의 하이퍼파라미터값을 학습데이터와 테스트데이터를 다 합친 것에 적용해서 최종 모델을 생성하고 실제로 타겟값을 알 수 없는 모델에 적용하는 건 괜찮은 걸까요? => 저는 괜찮다고 생각합니다. 물론 학습 데이터 만으로 생성된 모델의 하이퍼파라미터를 가지고 다시 학습+기존 테스트 데이터로 생성한 최종 데이터로 학습해서 만들었을 때 기존 최적 하이퍼파라미터가 100% 여전히 최적일수 있느냐는 약간의 의구심이 들수는 있지만, 기존 테스트 데이터가 학습 데이터와 크게 다르지 않다면 별 문제 없이 기존 최적 하이퍼파라미터를 적용하셔도 무방합니다. 또한 학습 데이터 자체가 학습 데이터 + 기존 테스트 데이터까지 포함해서 늘어나기 때문에 하이퍼 파라미터 최적화 보다 데이터 량이 더 늘어나는게 모델 성능에 더 좋을 수 있기에 좋은 방법이라고 생각됩니다. 감사합니다.