[DSOB/WIDA] DACON을 활용한 Classification 학습하기 (3)

현재 소학회에서 플젝(을 가장한 스터디)를 진행중이다.

전반적인 Classification model을 알아가는 과정으로서 작성한 글이다.

소학회 티스토리에 올렸던 글을 그대로 가져왔다.

https://dsob2021swu.tistory.com/95

---

Decision Tree

• 코드는 블럭으로 따로 첨부 X
• https://github.com/cAhyoung/dacon_stars_type_clf/blob/main/practive_code/dt_rf_practice.py

Hyper parameter

1. criterion(기준) : default=”gini”, 데이터를 분류하기 위한 척도
   • “gini”
     • 지니계수를 기반으로 한 데이터 분류
   • “entropy”
     • 엔트로피 값을 기반으로 한 데이터 분류
   • “log_loss”
     • log_loss를 기반으로 한 데이터 분류
2. splitter(분할) : default=”best”
   • “best”
     • 가장 좋은 분할 방식을 찾음
   • “random”
     • 가장 좋은 랜덤 분할 방식을 찾음
3. max_depth : default=None
   • 트리구조의 최고 깊이를 설정해주는 파라미터
   • 최고 깊이를 지정해줌으로서 overfitting을 막을 수 있음
4. min_samples_split : default=2
   • 내부 노드에서 샘플들을 분리하기 위한 최소 샘플 갯수
5. min_samples_leaf : default=1
   • 최소 리프노드 개수
6. min_weight_fraction_leaf : default=0.0
   • 뭘깝쇼?
7. max_features : default=None
   • best split을 찾을 때 고려할 피쳐의 수
   • int, float형이 올 수 있으며, “auto”, “sqrt”, “log2”도 올 수 있음
   • “auto” → 1.3버전부터 사라질 예정임
     • max_features=sqrt(n_features)
   • “sqrt”
     • max_features=sqrt(n_features)
   • “log2”
     • max_features=log2(n_features)
8. random_state : default=None
   • 어떤 training dataset이 있다고 할 때, 이 dataset을 nn개로 분리한다고 치자. 이 nn개로 쪼개진 데이터 셋들은 각각 번호가 붙어있고, 그 번호에는 데이터 mm개가 들어있다. 몇번 데이터셋을 가져올 것인지 설정하는 것임
9. max_leaf_nodes : default=None
   • leaf node의 최댓값을 결정해줌
10. min_impurity_decrease : default=0.0
    • A node will be split if this split induces a decrease of the impurity greater than or equal to this value.
11. class_weight : default=None
    • balanced
      • 균형있게 모든 클래스에 가중치를 줌
    • dict, list of dict
      • {class_label : weight} 의 형태로 각 클래스별로 가중치를 줌
12. ccp_alpha : default=0.0
    • 최소비용 복잡도 pruning(가지치기라는 의미던데…흠?)에 사용되는 복잡도 파라미터

평가방법

1. log loss
   • y값을 맞춘 것을 기반으로 정확도를 측정하는 것이 아니라, 모델이 해당 정답을 맞출 확률을 반영하여 평가하는 것임
   • 잘못 예측할수록 패널티를 부여 ← 잘못 분류된 수치적 손실값을 계산
   • 확률이 높을 수록 로그값은 작게 나옴 → 로그값이 작을수록 좋은 지표임

   from sklearn.metrics import log_loss
   
   # predict_proba 함수를 이용하여 X_test 데이터를 이용한 예측 확률을 구함
   logloss_dt = log_loss(y_test, dt_clf.predict_proba(X_test))
   print('log loss {0: .4f}'.format(logloss_dt))

• M은 클래스의 갯수
• y_i,m은 어떤 행 i가 클래스 m에 속한 것을 맞추었는가? 맞췄으면 1, 틀렸다면 0
• p_i,m은 어떤 행 i가 클래스 m에 속할 확률 값

2. Confusion Matrix

• 혼동행렬, 오차행렬이라고 부르며, 이진분류에서 많이 사용되는 성능지표임

 

	예측클래스 (Negative)	예측클래스 (Positive)
실제 클래스 (Negative)	True Negative	False Positive
실제클래스 (Positive)	False Negative	True Positive

• True Negative : Negative인 클래스를 맞춤
• False Positive : Negative인 클래스를 Positive로 예측 → 정답을 맞추지 못함

…

 

1) Accuracy(정확도)

(TN + TP) / (TN + FP + FN + TP)

• 예측 값과 실제 값이 모두 같은 경우 / 전체
• 클래스가 어느 한쪽으로 치우쳐져 있는 경우 정확도의 신뢰도는 떨어질 수 있음
  • 한쪽으로 치우쳐져있는 클래스만 잘 맞추고 다른 한 클래스는 제대로 맞추지 못할 수 있음

2) Recall(재현율)

TP / (FN + TP)

• 실제 값이 positive인 대상 중 예측과 실제 값이 positive로 일치한 데이터의 비율
• FN + TP는 실제 값이 모두 Positive인 경우 (예측 결과 상관 X)
• 실제 데이터가 Positive이지만 Negative로 잘못 판단할 때 업무에 큰 영향이 있는 경우 Recall값을 중요하게 봄
  • 제 1종 오류

3) Precision(정밀도)

TP / (FP + TP)

• 예측값이 positive인 것들 중 예측 성공한 경우의 비율
• FP + TP는 예측값이 positive 인 값들의 합
• 실제로는 negative값인 데이터를 positive로 판단하게되면 업무에 큰 영향이 있는 경우 precision을 중요하게 봄
  • 제 2종 오류

출처

• https://scikit-learn.org/stable/modules/generated/sklearn.tree.DecisionTreeClassifier.html#sklearn.tree.DecisionTreeClassifier
• https://www.youtube.com/watch?v=i5U2inxzXx4
• https://leehah0908.tistory.com/23
• https://scikit-learn.org/stable/modules/generated/sklearn.metrics.log_loss.html#sklearn.metrics.log_loss
• https://white-joy.tistory.com/9?category=1015070
• 파이썬 머신러닝 완벽 가이드 1판 / 권철민