교차 검증 전략

1 / 15

100%

교차 검증의 개념과 필요성 교차 검증 (Stone, 1974)은 모델의 일반화 성능을 안정적으로 추정하기 위한 기법입니다. 단순 train/test split 은 데이터 분할 방식에 따라 성능 추정치가 크게 달라지는 문제가 있습니다. 예: 같은 데이터셋에서 무작위로 80:20 분할을 10번 반복하면, 정확도가 85%에서 95%까지 10%p 이상 차이가 날 수 있습니다. 교차 검증의 작동 방식 데이터를 K개 조각(fold) 으로 나눕니다. 각 조각을 한 번씩 검증용으로 사용하여 K개의 성능 점수 를 얻습니다. K개 점수의 평균 이 최종 성능 추정치가 됩니다. 교차 검증의 장점 단일 분할보다 훨씬 안정적이고 신뢰할 수 있는 결과를 제공합니다. 모든 데이터가 한 번씩 검증에 사용되므로 데이터 활용 효율 도 높습니다. train/test split의 높은 분산 문제 를 해결하는 것이 교차 검증의 핵심 동기입니다. 모델 선택이나 하이퍼파라미터 튜닝 에서 사실상 필수적인 평가 방법입니다. 단일 분할 vs. 교차 검증 비교 아래 그림에서 단일 분할과 교차 검증의 차이를 시각적으로 확인할 수 있습니다.

0:00 / 2:55

이런 분들이 찾고 있어요

이 레슨과 관련된 학습 키워드

CS/AI 전공 대학생

머신러닝 기말고사회귀분석 정리분류 알고리즘 비교머신러닝 과제

비전공/입문자

머신러닝이란머신러닝 입문머신러닝 독학 로드맵AI 기초

취준생

머신러닝 면접 질문데이터 사이언티스트 준비ML 엔지니어 포트폴리오

직장인

머신러닝 실무 적용업무 자동화 ML비전공자 머신러닝

대학원생/연구자

ML 알고리즘 비교 논문classical ML 서베이

AI 교육 플랫폼

AI 교육 플랫폼 추천AI 강의 사이트머신러닝 온라인 강의딥러닝 강의 추천

AI 독학/로드맵

AI 독학 방법머신러닝 공부 순서딥러닝 로드맵머신러닝 독학 로드맵

AI 취업/커리어

AI 취업 준비데이터 사이언티스트 강의ML 엔지니어 준비AI 면접 준비