Google ML Bootcamp/3. Structuring Machine Learning Projects(21)
-
3. Satisficing and Optimizing Metric
if we want to maximize accuracy, subject to running time < 100ms. - then, B is the best. - 이때 running time은 satisficing, accuracy는 optimizing. 정리 : saticfic metric, optimize metric 설정하기.
2023.09.14 -
2. Single Number Evaluation Metric
평가지표에 대해서 이야기를 해보자 Precision vs Recall - 둘은 trade off 관계. - Precision : 정의를 고양이라고 말한거 중에 얼마나 진짜 고양이 인지.( True Positive / (True Positive + False Positive) ) - Recall(= Sensitivity, hit rate 이라고도 불림) : 정답중에 얼마나 맞췄는지. (True Positive / (True Positive + False Negative)) F1 socre(조화평균) : Precision과 Recall의 평균. - 이걸 평가지표로 사용하는 것이 좋다. - Precision, Recall은 trade off 관계이므로 이 중에 하나를 평가지표로 사용하는 것은 어려울 수 있음.
2023.09.14 -
1. Orthogonalization
Orthogonalization : 직교화. 무슨의미? - 차 컨트롤러 : 핸들, 엑셀, 브레이크. - if 조이스틱(0.3 각도, -0.8 브레이크, 2엑셀)이 있다면 미세하기 조절하기가 훨씬 힘들다. - 따라서 하나의 변수가 하나의 효과만 가져오도록 하는 것을 직교화(Orthogonalization)이라고 한다. ML 에서 직교화? if 학습이 잘 되지 않는 경우 : bigger network , change optimizer etc... if 검증이 잘 되지 않는 경우 : Regularization, bigger train set if 실험이 잘 되지 않는 경우 : bigger dev set if real world에서 성능이 좋지 않은 경우 : change cost function, change ..
2023.09.14