Notice
Recent Posts
Recent Comments
Link
일 | 월 | 화 | 수 | 목 | 금 | 토 |
---|---|---|---|---|---|---|
1 | 2 | 3 | 4 | 5 | 6 | 7 |
8 | 9 | 10 | 11 | 12 | 13 | 14 |
15 | 16 | 17 | 18 | 19 | 20 | 21 |
22 | 23 | 24 | 25 | 26 | 27 | 28 |
29 | 30 | 31 |
Tags
- 클러스터링
- 쿠버네티스
- bigquery
- 차원 축소
- python
- 대감집
- ADP 실기
- 빅쿼리
- ADP
- r
- 최적화
- TooBigToInnovate
- DBSCAN
- Kaggle
- 파이썬
- 구글
- do it
- 대감집 체험기
- frontend
- 심층신경망
- 캐글
- Kubernetes
- 타입스크립트
- React
- Machine Learning
- 머신러닝
- docker
- LDA
- 프론트엔드
- 리액트
Archives
- Today
- Total
목록ROC curve (1)
No Story, No Ecstasy
[ADP 실기 with R] 8. 성과 분석: Confusion Matrix, ROC Curve, AUROC
1. Confusion Matrix - F1 score: 2 x Precision x Recall / (Precision + Recall) = 2 / (1/Precision + 1/Recall) - Accuracy는 imbalanced data에서 부정확한 판단을 하게 될 수 있다 - Imbalanced data에 대한 성과 분석을 위해 precision과 Recall을 사용하는 것이 F1 score다. - F1 score는 두 지표의 조화평균을 사용하여 모델을 평가한다. (조화평균은 두 값이 비슷할 경우 높은 값을 가짐) - 잘 정리된 링크: 89douner.tistory.com/174 12. Precision, Recall, F1 score (Feat. TP, FP, FN, TN) 안녕하세요 이번글에..
Data Science Series
2020. 12. 12. 17:21