교차 검증과 최적 하이퍼파라미터 튜닝, 모델 성능 평가

교차 검증은 모델의 일반화 능력을 평가하는 기법으로, 데이터를 여러 부분으로 나누어 일부는 훈련에, 나머지는 검증에 사용하는 방식입니다. 이를 통해 모델이 새로운 데이터에 대해 얼마나 잘 작동하는지를 평가할 수 있습니다. 교차 검증의 한 방법으로 널리 사용되는 GridSearchCV는 다양한 하이퍼파라미터의 조합을 시험하여 최적의 조합을 찾아내는 방법입니다.

하이퍼파라미터 튜닝은 모델의 성능을 최대화하기 위해 모델의 설정 값을 조정하는 과정입니다. 이 과정에서 GridSearchCV와 같은 도구를 사용하여 다양한 설정의 조합을 자동으로 실험하고, 가장 좋은 결과를 내는 조합을 선택합니다. 이렇게 선택된 하이퍼파라미터는 모델의 예측 성능을 크게 향상시킬 수 있습니다.

높은 예측 정확도를 달성하기 위해서는 체계적이고 다양한 평가 지표를 활용해야 합니다. 이 과정에서 사용되는 주요 평가 지표로는 오차 행렬(Confusion Matrix), 정확도(Accuracy), 정밀도(Precision), 재현율(Recall), F1 점수(F1-score), 그리고 ROC-AUC 등이 있습니다. 각 지표는 모델의 다른 측면을 평가하여, 모델의 강점과 약점을 종합적으로 이해하는 데 도움을 줍니다.

1. 교차 검증과 최적 하이퍼파라미터 튜닝

1-1. GridSearchCV – 교차 검증

1. GridSearchCV – 교차 검증
   • 다양한 모델의 훈련 과정을 자동화하고, 교차 검사를 사용해 최적 값을 제공하는 도구
2. 하이퍼파라미터를 순차적으로 적용하면서 편리하게 최적의 파라미터 도출
3. 격자형식으로 dict 구조의 하이퍼파라미터값 적용

# 클래스 임포트 (모델, 모델을 나 대신 돌려줄 더 큰 객체)
from sklearn.model_selection import GridSearchCV
parameter= {"max_depth": [1,2,3,4,5], "min_samples_split":range(2, 5)}
# 클래스를 통한 인스턴스 생성 -  우리가 측정하고 싶은 평가 기준, 넣어보고 싶은 파라미터덩어리를 넘겨주면서
grid_dtree = GridSearchCV(dt_clf, param_grid=parameter)  

# 더 큰 객체한테 모델과 결과를 확인하도록 요청
grid_dtree.fit(X_train, y_train)

• param_grid : param_grid 라는 파라미터에 우리가 도하려는 모델에 대한 파라미터를 dict 형태로 넘겨줍니다
• 이 모델은 param_grid 에 들어간 형태로 max_Depth를 행으로 min_sample_split을 열로 해서 위와 같은 파라미터를 설정시 amx_Depth 5 * minsamples_split 3 = 15번을 수행하게 된다. 또 CV 가 5가 기본값이여서 15 * 5 의 75번을 학습한다.
• grid_dtree = GridSearchCV(dt_clf,cv=7, param_grid=parameter)  : cv 값 조정 방법

1-2. 파라미터 값 확인

• grid_dtree.best_estimator_ # DecisionTreeClassifier(max_depth=3)
• grid_dtree.best_params_ # {‘max_depth’: 3, ‘min_samples_split’: 2}
• grid_dtree.best_score_ # 0.975
• pd.DataFrame(grid_dtree.cv_results_) # mean_fit_time 학습의 평균 시간, mean_score_time : 평가 평균 시간,  rank_test_score : 학습 점수와 같은 모델의 전반적인 내용을 알려줌

1-3. 그리드 서치 장점

• 여러개의 파라미터를 일일히 손으로 수정하면서 결과를 확인하지 않아도 된다.
• n 번의 교차검증을 수행한다. -> score는 5(CV의 기본값)번의 평균이기 떄문에 신뢰도도 올라갑니다.
• 우리가 train 데이터를 가져가 쓰면 알아서 test 데이터로 사용하면서 겹치지 않게 결과를 보여주고 잇따.

1-4. RandomizedSearchCV

# 모델 차원의(알고리즘) 알고리즘을 정교화하기 위한 최적의 파라미터를 찾는 법을 공부하는 중
# RandomizedSearchCV - 최적의 파라미터를 찾기 위한 범위를 정해주고 최대 시도의 횟수를 정해주면 그 안에서 최적의 조합을 바꿔가며 찾아준다.
from sklearn.model_selection import RandomizedSearchCV
from sklearn.tree import DecisionTreeClassifier

parameter = {'max_depth' : range(1,5), 'min_samples_split':range(2,5)}

dt_clf = DecisionTreeClassifier()

random_dtree = RandomizedSearchCV(dt_clf, param_distributions=parameter, n_iter=10 )
random_dtree.fit(X_train, y_train)

• # param_distributions 파라미터의 분포로 넘겨준다.
• # n_iter=10 10번만 최적의 방향을 찾는 방식으로 시도해줘

1-5. 파라미터 값 확인

• random_dtree.best_estimator_ : DecisionTreeClassifier(max_depth=3, min_samples_split=4)
• random_dtree.best_score_ : 0.975

1-6. GridSearchCV VS RandomizedSearchCV

프로젝트의 요구 사항과 리소스에 따라 달라집니다. 빠른 시간 내에 괜찮은 결과를 원한다면 RandomizedSearchCV, 최적의 결과를 원한다면 GridSearchCV를 선택할 수 있습니다.

2. 좋은 데이터를 찾기 위한 과정

• 지금까지 작업은 모델에 넣을 수 잇는 최적의 파라미터를 찾아서 정확도를 올리고 교차 검증(cv : cross validate)을 통해서 신뢰성을 확인하였다.
• 그러면 학습에 사용되는 데이터가 어떤 데이터가 좋은지 SequatialFeatureSelector를 통해 몇 개의 특성으로 데이터를 분석하면 좋을지를 알아보자

2-1. SequentialFeatureSelector 이란

• 순차적 특성 선택(Sequential Feature Selector)은 머신러닝 모델의 성능을 향상시키기 위해, 데이터셋 내의 특성(또는 변수) 중 가장 유의미한 부분집합을 선택하는 방법입니다.
• 이 과정은 특히 특성의 수가 많아질 때 중요하게 되는데, 이는 모든 가능한 특성의 조합을 평가하기에는 계산 비용이 너무 많이 들기 때문입니다.

2-2. SequentialFeatureSelector 사용

from sklearn.feature_selection import SequentialFeatureSelector
from sklearn.tree import DecisionTreeClassifier

dt_clf = DecisionTreeClassifier(max_depth=3)
sfs = SequentialFeatureSelector(dt_clf) # n_features_to_select
sfs.fit(X_train, y_train)
sfs.get_support() # array([False, False,  True,  True])

• get_support 메소드는 2번째와 3번째 특성이 유의미하다고 판단했음을 보여줍니다.

sfs = SequentialFeatureSelector(dt_clf, n_features_to_select = 3)
#result : array([ True, False,  True,  True])

• n_features_to_select를 3으로 설정함으로써, 알고리즘이 유의미한 3개의 특성을 선택하게 됩니다. 이는 기존에 버릴 예정이었던 특성 중에서도 가치가 있는 것을 포함시킵니다.

X_train_sfs = sfs.transform(X_train)
''' result : array([[6.7, 4.7, 1.5],
       [7.7, 6.9, 2.3],
       [5.2, 1.4, 0.2],
       [5. , 1.6, 0.6], .... '''

• transform 메소드를 사용하여 선택된 특성만을 포함하는 새로운 훈련 데이터 세트를 생성합니다.

2-3. 시각화

from sklearn.feature_selection import SequentialFeatureSelector
import matplotlib.pyplot as plt

dt_clf = DecisionTreeClassifier(max_depth=3)

scores = []
for n_features in range(1, 4):
    sfs = SequentialFeatureSelector(dt_clf, n_features_to_select=n_features, n_jobs=-1)
    sfs.fit(X_train, y_train)
    print(f'{n_features}일 때: {sfs.support_}')
    f_mask = sfs.support_
    dt_clf.fit(X_train[:, f_mask], y_train)
    scores.append(dt_clf.score(X_train[:, f_mask], y_train))

plt.plot(range(1, 4), scores, marker='o')
plt.ylim([0.7, 1.02])
plt.ylabel('Accuracy')
plt.xlabel('Number of features')
plt.grid()
plt.tight_layout()
plt.show()

• result :
  • 1일 때: [False False False True]
  • 2일 때: [False False True True]
  • 3일 때: [ True False True True]
• 해석 :
  • 위의 그래프는 결정 트리 분류기의 특성 선택에 대한 정확도를 나타내고 있습니다. 특성의 수가 증가함에 따라 모델의 정확도가 어떻게 변하는지 보여줍니다.
  • 결과를 보면, 특성이 하나일 때 정확도가 가장 낮습니다. 이는 단일 특성만 사용하여 모델을 학습했을 때 모델이 학습 데이터를 잘 설명하지 못함을 의미할 수 있습니다. 특성이 하나일 때 사용된 특성은 네 번째 특성입니다([False False False True]).
  • 특성이 두 개일 때, 정확도가 증가하여 모델이 더 나은 성능을 보입니다. 이때 사용된 특성은 세 번째와 네 번째 특성입니다([False False True True]).
  • 마지막으로, 특성이 세 개일 때 정확도는 약간 감소하거나 동일한 수준으로 유지되었습니다. 이 경우 모든 특성을 제외하고 첫 번째, 세 번째, 네 번째 특성이 사용되었습니다([True False True True]).
  • 정확도가 가장 높은 것은 특성이 두 개 또는 세 개 일 때입니다. 특성이 두 개일 때와 세 개일 때의 차이가 없습니다. 따라서 모델의 복잡성과 계산 비용을 절감하기 위해 특성 두 개를 사용하는 것이 좋습니다.

2-4. 접근

• 실제로는 좋은 데이터를 고른 뒤 좋은 알고리즘을 선택하는 단계로 진행한다.

3. 모델 성능 평가 지표

모델 성능 평가:

• 실제값과 예측값의 오차를 통해 모델의 정확도를 측정한다.
• 오차가 없다는 것(실제값 – 예측값 = 0)은 모델이 완벽하게 예측했다는 의미이지만, 현실에서는 거의 불가능하다.
• 오차의 허용 범위를 설정하여 모델의 성능을 결정한다.

모델 평가의 목적:

• 최적의 모델을 선택하고 과적합을 방지하기 위해 모델의 일반화 능력을 평가한다.
• 지도 학습에서만 적용 가능하며, 정답이 있는 데이터를 통해 모델의 예측 성능을 검증한다.

모델 평가 지표:

• 회귀 분석의 경우: MSE, RMSE, MAE 등의 지표를 활용하여 수치적 오차를 측정한다.
• 분류 문제의 경우: 정확도, 정밀도, 재현율, F1 점수 등을 통해 모델의 분류 성능을 평가한다.

Training과 Validation 성능 비교:

• Training과 Validation 세트에서의 성능이 유사할수록 일반화된 모델이라고 판단한다.
• Training 성능은 우수하지만 Validation 성능이 저하될 경우, 과적합의 신호로 해석한다.
• 교차 검증(Cross-validation)을 통해 모델의 안정성을 확인한다.

과적합(Overfitting) 진단 및 해결:

• 과적합을 진단하기 위해 학습 곡선을 분석하고, Training과 Validation의 성능 차이를 관찰한다.
• 정규화 기법(L1, L2 규제), 데이터 증강, 조기 종료(Early Stopping) 등을 통해 과적합을 방지한다.
• 특성 선택 및 차원 축소를 통해 모델의 복잡성을 줄인다.

모델 선택 및 최적화:

• 여러 모델을 비교하고 하이퍼파라미터 튜닝을 통해 최적의 모델을 선택한다.
• 그리드 검색(Grid Search), 랜덤 검색(Random Search), 베이지안 최적화 등의 방법을 사용한다.
• 모델의 해석 가능성과 복잡성 사이의 균형을 고려하여 선택한다.

4. 분류모델 성능 평가

• 1) 오차 행렬(Confusion Matrix)
• 2) 정확도(Accuarcy)
• 3) 정밀도(Precision)
• 4) 재현율(Recall)
• 5) F1-score
• 6) ROC – AUC

4-1. 오차 행렬(Confusion Matrix)

1. 오차 행렬(Confusion Matrix)의 정의
   • 분류 모델의 성능을 평가하기 위한 행렬로, 실제 클래스와 예측 클래스를 교차하여 배열한 표
   • 모델이 어떻게 예측을 잘못하고 있는지를 직관적으로 파악할 수 있는 도구
2. 이진 분류에서의 오차 행렬
   • 이진 분류는 결과가 ‘Positive’ 또는 ‘Negative’ 두 가지 중 하나로 분류되는 경우를 말함
   • 오차 행렬은 True Positive, False Positive, True Negative, False Negative 네 가지 요소로 구성됨
3. 오차 행렬의 구성 요소
   • True Negative (TN)
     • 실제 값이 ‘Negative’이며, 모델도 ‘Negative’로 정확히 예측한 경우의 수
   • False Positive (FP) – 제1종 오류
     • 실제 값은 ‘Negative’이지만, 모델이 오류를 범하여 ‘Positive’로 잘못 예측한 경우의 수
   • False Negative (FN) – 제2종 오류
     • 실제 값은 ‘Positive’이지만, 모델이 ‘Negative’로 잘못 예측한 경우의 수
   • True Positive (TP)
     • 실제 값이 ‘Positive’이며, 모델도 ‘Positive’로 정확히 예측한 경우의 수

from sklearn.metrics import confusion_matrix, ConfusionMatrixDisplay
# 실제값과 예측값을 임시로 구성

y_true = [1, 0, 1, 1, 0, 1]  # y_test
y_pred = [0, 0, 1, 1, 0, 1]  # 모델이 예측한 결과
r = confusion_matrix(y_true, y_pred)  # 모델이 예측한 결과가 x축, 실제값이 y축에 있다
''' reuslt : 
array([[2, 0],    True Negative  False Positive
       [1, 3]])   False Negative True Positve
       '''
ConfusionMatrixDisplay(confusion_matrix=r).plot()

TN = r[0, 0]
FP = r[0, 1]
FN = r[1, 0]
TP = r[1, 1]

4-2. 정확도(Accuracy)

• 전체 데이터중에, 정확하게 예측한 데이터의 수

(TN + TP) / (TN + FP + FN + TP) # 0.8333333333333334

# 기본이 되는 평가지표이므로 모델.score() 내장되어 있는 지표
from sklearn.metrics import accuracy_score
accuracy_score(y_true, y_pred) # 0.8333333333333334

4-3. 정밀도(Precision)와 재현율(Recall)

• 정밀도(Precision)는 모델이 ‘Positive’라고 예측한 샘플들 중에서 실제로 ‘Positive’인 샘플의 비율
• 재현율(Recall)은 실제 ‘Positive’인 샘플들 중에서 모델이 ‘Positive’로 올바르게 예측한 샘플의 비율

정밀도

TP / (FP + TP)  # 1.0

from sklearn.metrics import precision_score
precision_score(y_true, y_pred) # 1.0

재현율

TP / (FN +  TP) # 0.75

from sklearn.metrics import recall_score
recall_score(y_true, y_pred) #0.75

4-4. 임계값(Threshold)

임계값의 정의와 중요성

임계값은 모델의 예측을 분류하기 위한 기준점을 설정하는 값입니다. 이 값에 따라 모델이 데이터를 양성(Positive) 또는 음성(Negative)으로 분류합니다. 임계값의 설정은 모델의 성능 평가에 직접적인 영향을 미치며, 특히 불균형한 데이터셋에서 모델의 예측력을 조정하는 데 중요합니다.

재현율(Recall)과 정밀도(Precision)의 관계

재현율은 실제 양성 데이터 중 모델이 양성으로 올바르게 예측한 비율을, 정밀도는 모델이 양성으로 예측한 데이터 중 실제로 양성인 비율을 나타냅니다. 두 지표 모두 True Positive를 높이는 것을 목표로 하지만, 재현율은 False Negative를 줄이는 데, 정밀도는 False Positive를 줄이는 데 각각 더 큰 중점을 둡니다.

# 기본적인 경우 threshold = 0.5로 계산하나 상황에 따라 변경할 수 있습니다.
# 예측 확률과 값 연결
import numpy as np
from sklearn.linear_model import LogisticRegression
from sklearn.datasets import make_classification
from sklearn.preprocessing import Binarizer
from sklearn.metrics import precision_recall_curve
import matplotlib.pyplot as plt

# 데이터 만들기
X, y = make_classification(n_samples=150, n_features=2, n_informative=2, n_redundant=0, random_state=30)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, shuffle=True)

# 모델 학습
lr = LogisticRegression()
lr.fit(X_train, y_train)
pred_proba = lr.predict_proba(X_test)
pred = lr.predict(X_test)

#예측확률 array와 예측 결과값 array를 병합하여 예측확률과 결괏값을 한 번에 확인
pred_proba_result = np.concatenate([pred_proba, pred.reshape(-1,1)], axis=1)
print('두 개의 class 중 더 큰 확률을 클래스 값으로 예측\n', pred_proba_result[:])

# threshold 값 변경하기 - Binarizer
binarizer = Binarizer(threshold=0.3).fit(pred_proba)
pred_bin = binarizer.transform(pred_proba)[:, 1]

print(f'''
    {binarizer.threshold, pred_bin}
    정확도: {accuracy_score(y_test, pred)}
    정밀도: {precision_score(y_test, pred)}
    재현율: {recall_score(y_test, pred)}
      ''')

# precision,recall은 trade off관계, precision_recall_curve( )
precision, recall, th = precision_recall_curve(y_test, pred)

plt.xlabel('threadhold') #임계값
plt.ylabel('score')
plt.plot(th,precision[:len(th)],'red',linestyle = '--',label = 'precision')
plt.plot(th,recall[:len(th)],'blue',label = 'recall')
plt.legend()
plt.show()

코드설명

1. 데이터 준비 및 모델 학습

• make_classification을 사용하여 이진 분류를 위한 테스트 데이터를 생성합니다.
• train_test_split으로 데이터를 훈련 세트와 테스트 세트로 분리합니다.
• LogisticRegression 모델을 사용하여 훈련 데이터에 대해 모델을 학습합니다.

2. 예측 확률과 결괏값 연결

• predict_proba 메소드로 얻은 예측 확률과 predict 메소드로 얻은 클래스 예측값을 병합합니다.

3. 임계값(Threshold) 조정

• Binarizer를 사용하여 임계값을 조정함으로써 모델의 예측을 이진화합니다.
• 임계값을 변경하면서 정밀도, 재현율 및 정확도(accuracy)를 계산하여 모델의 성능 변화를 관찰합니다.

4. 정밀도와 재현율의 트레이드오프(Trade-off)

• 정밀도와 재현율은 서로 반비례 관계에 있습니다.
• precision_recall_curve 함수를 사용하여 다양한 임계값에서의 정밀도와 재현율을 계산하고, 이를 그래프로 시각화합니다.

4-5. F1 Score(F-measure)

• F1 점수는 정밀도와 재현율의 조화 평균을 나타내므로, 정밀도와 재현율이 어느 한쪽으로 치우치지 않고 균형을 이룰 때 더 높은 값을 가집니다.
• 계산식 : F1 = 2×(precision×recall) / (precision+recall)

precision = precision_score(y_true, y_pred)
recall = recall_score(y_true, y_pred)
(2 * (precision * recall)) / (precision + recall) # 0.8571428571428571

• 계산된 0.8571428571428571이라는 F1 점수는 0과 1 사이의 값으로, 1에 가까울수록 모델의 성능이 뛰어나다는 것을 의미합니다. F1 점수가 높다는 것은 모델이 ‘Positive’ 클래스를 정확하게 예측하는 데 있어서 정밀도와 재현율 양쪽 모두에서 좋은 성능을 보이고 있음을 나타냅니다.

4-6. ROC 곡선과 AUC

AUC의 장점

• 척도 불변(Scale-Invariant)
  • 모델의 예측값이 어떤 척도로 표현되어 있든 간에, AUC는 예측값의 순위 정보만을 사용하여 모델의 성능을 평가합니다. 이는 예측값의 절대적인 크기나 단위에 영향을 받지 않음을 의미합니다.
  • 예를 들어, 확률 값이나 점수 등 다양한 형태로 예측값이 주어져도, 이 값들의 상대적인 크기(순위)만이 모델 성능 평가에 사용됩니다. 이러한 특성은 모델의 예측 성능을 척도에 구애받지 않고 일관된 기준으로 평가할 수 있게 합니다
• 분류 임계값 불변(Classification-Threshold-Invariant)
  • AUC는 모델이 예측한 결과를 분류하는 데 사용되는 임계값의 변화에 따른 영향을 받지 않습니다. 이는 모델이 예측한 값에 대해 어떠한 임계값을 설정하더라도, 모델의 예측 품질을 일관되게 평가할 수 있음을 의미합니다.

ROC 곡선의 활용

• 다양한 임계값에서 모델의 성능 비교: ROC 곡선을 통해 다른 모델들을 여러 임계값에서 비교하여 최적의 모델을 선정합니다.
• 불균형 데이터셋의 성능 평가: 불균형한 클래스 분포를 가진 데이터셋에서 모델의 성능을 정확하게 평가합니다.

from sklearn.metrics import roc_auc_score
print(y_true) # [1, 0, 1, 1, 0, 1]
print(y_pred) # [0, 0, 1, 1, 0, 1]
roc_auc_score(y_true, y_pred) #0.875

• ROC 곡선은 거짓 양성 비율(FPR)에 대한 참 양성 비율(TPR)의 곡선입니다. roc_auc_score는 이 곡선 아래의 면적을 계산합니다. 면적이 1에 가까울수록 모델의 성능이 우수하고, 0.5에 가까울수록 무작위 분류와 같습니다.

from sklearn.metrics import RocCurveDisplay
RocCurveDisplay.from_predictions(y_true, y_pred)

• sklearn.metrics 모듈에서 RocCurveDisplay 클래스를 가져와서, 실제 라벨(y_true)과 예측 라벨(y_pred)을 사용하여 ROC 곡선을 표시합니다.
• from_predictions 메서드는 실제 값과 예측 값을 바탕으로 ROC 곡선을 그리고, 이를 시각화하는 데 사용합니다.

from sklearn.metrics import classification_report

print(classification_report(y_true, y_pred))

• classification_report 함수는 분류 모델의 성능을 평가하기 위한 도구로 사용됩니다. 이 함수는 모델이 예측한 값과 실제 타겟값을 비교하여 여러 가지 성능 지표를 계산하고 이를 보고서 형태로 제공합니다.

5. 평균 점수 계산 방법

5-1. Macro 평균

• 정의: 모든 클래스에 동등한 중요도를 부여하여 각 클래스별 성능 지표를 먼저 계산한 후, 이들의 평균을 취하는 방식입니다.
• 적용 상황: 클래스 간 불균형이 클 때 유용하며, 소수 클래스의 성능이 중요할 때 사용합니다.
• 장점: 모든 클래스를 동일하게 취급하여 소수 클래스의 성능이 결과에 큰 영향을 미칩니다.
• 단점: 빈도가 높은 클래스와 낮은 클래스가 동일하게 취급되어, 모델이 실제로 더 자주 접하는 클래스에 대한 성능이 과소평가될 수 있습니다.

5-2. Weighted 평균

• 정의: 각 클래스의 샘플 개수에 비례하여 가중치를 적용한 평균을 계산하는 방식입니다. 즉, 각 클래스별 성능 지표에 클래스 내 샘플 수를 가중치로 곱한 후 합산합니다.
• 적용 상황: 클래스 불균형이 있을 때 유용하며, 각 클래스의 샘플 크기를 반영하여 평가하고 싶을 때 사용합니다.
• 장점: 샘플 수가 많은 클래스의 성능이 전체 평가에 더 큰 영향을 미칩니다. 이는 더 현실적인 모델 성능 평가를 제공할 수 있습니다.
• 단점: 소수 클래스의 성능이 전체 평가에 미치는 영향이 줄어들어, 중요한 소수 클래스를 간과할 위험이 있습니다.

5-3. Micro 평균

• 정의: 전체 데이터셋에 대해 TP, TN, FP, FN을 집계한 후, 이를 기반으로 성능 지표를 계산합니다. 이 방식은 각 샘플에 동일한 가중치를 부여합니다.
• 적용 상황: 각 샘플의 정확한 분류가 중요할 때 또는 클래스 간 성능의 균형을 중시할 때 사용합니다.
• 장점: 전체 데이터셋에 대한 정밀한 성능 평가를 제공하며, 모든 예측을 동등하게 취급합니다.
• 단점: 클래스 불균형이 성능 평가에 미치는 영향을 직접적으로 해결하지는 않습니다. 그러나, 각 샘플의 정확도에 중점을 둔다는 점에서 이는 일부 상황에서는 장점으로 작용할 수 있습니다.