귀무가설 이 실제로 거짓이지만, 귀무가설을 채택하는 오류. 실제 양성인 것을 음성으로 판별.
오류라고 부른다.
귀무가설 이 실제로 거짓이지만, 귀무가설을 채택하는 오류. 실제 양성인 것을 음성으로 판별.
β 오류라고 부른다.
...적으로 사용할 수 있는 확률적 데이터 구조로, 어떤 원소가 주어진 집합의 원소로 존재하는지 여부를 테스트하는데 사용된다. 블룸필터에서 False Positive 는 발생할 수 있지만, False Negative 는 발생할 수 없다. 다른말로 하자면, 주어진 쿼리는 “ 아마 집합에 존재할 것 ” 이거나 “ 반드시 집합에 존재하지 않는다 ” 라는 결과만 얻게된다. 알고리즘 설명 빈 블룸 필터는 ...
실제 음성 (negative) 인 데이터를 (통계) 모델이 양성 (positive) 으로 판정해서 발생하는 오류
귀무가설 (null hypothesis) H_0 은 모집단의 특성에 대해 옳다고 제안하는 잠정적인 주장을 의미한다. In other words, 우리가 관찰한 어떤 효과가 특별한 것이 아니고 우연에 의해 발생한 것이라는 주장을 의미한다.
블룸 필터는 공간을 효율적으로 사용할 수 있는 확률적 데이터 구조로, 어떤 원소가 주어진 집합의 원소로 존재하는지 여부를 테스트하는데 사용된다.
실제 레이블과 예측 레이블을 교차해 센 표다. 클릭 예측에서는 노출되어 클릭 여부를 관측한 샘플에 threshold를 적용해 판정을 비교한다. 노출하지 않은 아이템은 클릭 여부를 알 수 없으므로 단순히 TN이나 FN으로 세면 안 된다. 지표를 직접 계산하는 예제는 분류 모델의 학습과 평가에서 설명한다.
특이도 (Specificity) 는 negative example 을 얼마나 잘 찾아내는가를 나타내는 척도이다.
hard negative 는 False Positive 의 일종으로, 실제로는 negative 인데 positive 라고 잘못 예측하기 쉬운 데이터다.
Recall은 실제 positive example 중에서 모델이 positive로 찾아낸 비율이다. binary classification에서는 True Positive Rate(TPR), medical diagnosis에서는 sensitivity라고도 부른다.
스팸 탐지를 예로 들면, 스팸은 찾으려는 클래스인 positive이고 정상 메일은 negative다. 분류 모델은 보통 이 판정을 바로 출력하지 않는다. 먼저 각 클래스에 속할 확률이나 점수를 계산한다. 그다음 threshold(판정 기준값)를 적용해 positive와 negative를 나눈다. 예를 들어 스팸...
MSE of the estimates
모델이 positive 하다고 예측한 것들 중에서, 얼마나 많은 true positive 가 존재하는가?