🐉 SKN FAMILY AI CAMP 13기 5주차 한달 후기 (2025.04.21 ~ 2025.04.25)

📍 간단 후기

🏷️ 수업

이제껏 최고의 난이도였던 한 주였다. 이번 주는 머신러닝에 관한 수업을 진행했다. 전체적인 틀을 보면 scikit-learn에서 제공하는 dataset을 이용했다. 전반적으로 분석 및 데이터 train, test, valid 등을 진행했다. 개념도 개념이었지만, 양이 많아서 혼자 공부하는 시간이 없으면 완벽히 이해하기 힘들 것이라 생각한다. 나는 개인적으로 메모하면서 수업을 들었다. 기존에 알고 있던 개념도 있었으나, 헷갈리거나 이해하기 힘든 부분 위주로 필기를 진행했다.

 

🏷️ 코딩 테스트 스터디

2주차에 접어든 스터디 모임이다. 목표는 첫 달에 백준 실버 문제에 적응하고(다들 전공자 거나 전공자 수준이라) 시간이 갈수록 점점 수준이 올라가는 계획을 세웠다. 일단 스터디 자체는 수월하게 진행됐다. 다만 이번에도 역시 시간 계산을 제대로 해내지 못했다. 그래서 다음 주부터는 일주일 간 풀어올 문제 수를 늘리지만 같이 풀 문제 몇 문제만 뽑아서 다 같이 확인해 보는 방식을 하기로 조원들과 상의했다. 앞으로 발전할 실력에 대해 기대가 되는 시간이었다.

 

 

---

 

📍 좋았던 점

 

• 데이터셋 나누기

데이터셋 나누기 예시

 

학교 프로젝트에서 직접 다뤄봤던 내용이라 가벼운 마음으로 수업을 들었다. 다만 그때는 Roboflow에서 직접 데이터셋을 다운받아 사용해서 동작 원리 및 분리 과정을 직접 다루지는 못했었다. 이렇게 눈으로 보면서 예시 데이터를 통해 실습을 해본 것 자체가 의미 있는 수업 내용이었다는 생각이 들었다. 원리를 제대로 파악한 시간이라고 생각한다.

 

 

• max_depth 활용

max_depth 활용 예시

 

이번 주는 max_depth로 시작해서 max_depth로 끝났다 해도 과언이 아니었다. 머신러닝에 사용되는 데이터셋을 test할 때 max_depth가 주는 의미는 매우 크게 와닿았다. max_depth 값에 따라 정확도 및 정밀도, 재현율 등이 변화하는 것에 따른 채택 데이터 선택이 가장 인상 깊게 와닿았다. 앞으로 있을 머신러닝 프로젝트에서도 해당 max_depth 값을 조정하면서 채택 데이터를 확인하는 것이 중요 포인트일 것이라는 생각이 든다.

• max_depth : Decision Tree 모델의 하이퍼 파라미터
  • 하이퍼 파라미터 : 모델 성능에 영향을 주는 파라미터 값
  • 파라미터 : 학습을 통해서 찾는 모델의 가중치 값

 

 

 

---

 

📍 부족한 점

 

• 분류 평가 지표 - 혼동 행렬

혼동 행렬 평가 표

 

그냥 무작정 공식 외운다는 식의 암기법으로는 접근 불가이다. 배웠던, 또 사용했던 표 및 계산법이지만 이제는 직접 사용한다고 생각하니까 의미에 있어 다시 한 번 생각해 볼 필요가 있던 내용이었다.

 

분류 평가 지표에는 총 6개가 존재한다.

1. 정확도 (Accuracy)
2. 정밀도 (Precision)
3. 재현율 (Recall)
4. F1 score
5. PR Curve, AP score
6. ROC, AUC score

이들의 관계 자체에 집중을 해야 해당 표를 더 쉽게 이해할 수 있었다. 가장 중요 포인트는 임계값(Threshold)이다. 임계값을 올리면 정밀도는 올라가지만 재현율은 떨어질 수밖에 없다. 쉽게 이해하기 위해 정리를 해보았다

# threshold를 통해 0과 1 중 정답치의 기준값을 조절

# - 0.5보다 작게 설정: 0과 가깝지 않으면 0이라고 하지 않음

# - 0.5보다 크게 설정: 1과 가깝지 않으면 1이라고 하지 않음

# 위양성율 : ex) 1이라고 예측했을 때 1이 아닌 경우의 확률

# 재현율 : ex) 1이라고 예측했을 때 진짜 1이 맞을 확률

# 재현율 높이려면 정밀도와 위양성율, 임계값을 낮춰야 함

 

이에 따라 임계값에 맞춰 해당 정밀도와 재현율, 위양성율을 고려하는 것이 상당히 골치 아플 문제라고 생각한다. 두 값의 절충안이 F1 score가 되었다고 이해했다. 정밀도와 재현율을 둘 다 높여 파악할 수 있도록 하는 지표이다.

 

이 점들을 활용하여 AP score나 AUC score 등의 값들도 Confusin matrix를 활용하여 시각화하는 것도 좋은 경험이어서 다행히 어느 정도 이해가 됐다.

 

 

• Confusion Matrix Display

confusion matrix 활용 예시

 

앞으로 시각화 하면서 데이터를 보는 게 편할 것이다. title을 생성한다거나, box를 생성한다거나, x.y축을 정한다는 등의 ui(?) 활용법도 다양하게 살펴볼 필요가 있다고 느꼈다.

 

 

 

---

 

📍 성찰 및 마무리

 

간단 후기에서도 말했듯이, 주가 거듭할수록 점점 더 어려워지고, 양도 중첩되면서 많아지는 느낌이 든다. 수업에 집중하기 힘들 때에 필기를 한다는 것 자체가 집중력 향상에 도움이 되었다. 중요한 내용도 가져가면서 집중력도 끌어올리는 일석이조의 방법이다.

 

첫 코딩 테스트가 다음주에 진행된다. 어떻게 될진 모르겠으나 잘 보고 싶다는 생각만 가득해서 걱정이다. 지금 코딩 테스트 혼자서 풀어보는 것도 내 수준이 아직 처참하다는 것을 느끼고 있는데, 이번 PCCE 코딩 테스트를 통해 자신감을 끌어올렸으면 좋겠다는 생각을 해본다.

 

다음 주도 마찬가지로 머신러닝 수업이 진행될 것이다. 직접 이해 안 되는 내용을 정리해 가면서 수업을 듣는다면 확실하게 얻어갈 수 있는 내용이 많을 것이다. 다들 후회 없이 원하는 목적을 달성하기 바란다.