인공지능
-
p-value가 찬밥 신세가 된 이유?AI 2023. 12. 10. 00:52
기계학습(ML) 및 딥러닝(DL) 분야에서 p-value가 잘 사용되지 않는 이유는 여러 가지가 있습니다. 이는 주로 ML/DL의 목표, 방법론, 그리고 통계적 유의성의 해석과 관련이 있습니다. 1. 예측 성능의 중점 성능 지향: ML과 DL은 주로 예측의 정확성이나 모델의 성능을 최적화하는 데 중점을 둡니다. 이 분야에서는 모델이 얼마나 잘 예측하는지를 평가하는 것이 중요하며, 이를 위한 주요 지표는 정확도, 정밀도, 재현율, F1 점수, ROC-AUC 등입니다. p-value의 한계: p-value는 데이터가 주어진 가설(예: 두 변수 사이에는 관계가 없다)을 얼마나 지지하는지를 나타내는 지표입니다. 그러나 이것은 예측의 정확성이나 모델의 성능과는 직접적인 관련이 없습니다. 2. 대규모 데이터셋 데이..
-
힌지 손실(Hinge Loss)AI 2023. 12. 10. 00:16
Hinge Loss는 주로 서포트 벡터 머신(Support Vector Machine, SVM)과 같은 분류 문제에서 사용되는 손실 함수입니다. 이 손실 함수는 주로 이진 분류 작업에 적용되며, 특히 마진(margin)을 기반으로 하는 학습 모델에서 유용합니다. Hinge Loss의 정의 Hinge Loss는 다음과 같은 공식으로 정의됩니다: $$L(y) = \max(0, 1 - t \cdot y)$$ 여기서: $y$ 는 모델의 예측값이며, 일반적으로 -1과 1 사이의 값입니다. $t$ 는 실제 레이블이며, 이진 분류에서는 보통 -1 또는 1의 값을 가집니다. 작동 원리 Hinge Loss는 모델이 정확하게 분류하고, 동시에 마진 경계에서 멀리 떨어진 결정 경계를 찾는 것을 목표로 합니다. 예측값 $y$..