Performance evaluation
training set으로 evaluation을 한다면 100% accuracy를 가지게 될 것입니다.
이는 공정하지 않습니다.
보통 data set의 70%정도를 training set으로 학습에 이용하고
나머지 30% 정도를 test set으로 설정하여 evaluation을 수행합니다.
Training, validation and test sets
learning rate와 regularization strength를 tuning할 필요성이 있습니다.
이럴 경우 위의 traning set을 완전한 training set과 validation set으로 다시 나눕니다.
완전한 training set을 가지고 model을 학습을 시키고
validation set을 가지고 learning rate와 regularization strength를 tuning하게 됩니다.
이후 tuning을 마친 model을 가지고
test set에서 evaluation을 수행하게 됩니다.
Accuracy
test set의 실제값(lable)과 model이 예측한 값이 얼마나 일치하는지를 계산합니다.
출처
'머신러닝 > 모두를 위한 딥러닝' 카테고리의 다른 글
| Learning rate, data preprocessing, overfitting (0) | 2017.03.22 |
|---|---|
| Softmax classification: Multinomial classification (0) | 2017.03.22 |
| Logistic classification: cost function & gradient decent (0) | 2017.03.22 |
| Logistic Classification의 가설 함수 정의 (0) | 2017.03.22 |