모델의 예측 읽기

모델은 하나의 답만 제공하지 않습니다. 모델의 예측을 읽는 법을 배우면 모델이 무엇을 선택했는지뿐 아니라 얼마나 확신했는지도 알 수 있습니다.

predict를 호출하면 각 입력에 대해 가능성이 가장 높은 하나의 클래스를 반환합니다. 이것이 바로 모델이 하나의 답을 선택한 확정 레이블입니다.

predict_proba를 사용하면 각 클래스에 할당된 가능성을 확인할 수 있습니다. 스팸 점수가 0.95라면 경계선에 가까운 0.51보다 훨씬 확신에 찬 결과입니다.

확률의 각 행을 더하면 정확히 1이 됩니다. 모델은 가능한 모든 클래스에 자신의 믿음을 나누어 배분하며, 그보다 많거나 적게 배분하지 않습니다.

확률 열은 클래스 순서에 따라 정렬됩니다. 해당 속성을 확인하여 어떤 열이 스팸을 의미하고 어떤 열이 정상 메시지를 의미하는지 알아보십시오.

모델은 매우 작은 수가 언더플로되는 것을 방지하기 위해 내부적으로 로그를 사용합니다. 필요하다면 로그 확률 예측 메서드로 원시 로그 점수를 확인할 수 있습니다.

높은 확률은 모델이 확신한다는 뜻이지, 모델이 옳다는 뜻은 아닙니다. 나이브 베이즈는 지나치게 확신할 수 있으므로 수치를 신중하게 해석하십시오.

스팸을 반드시 0.5에서 표시할 필요는 없습니다. 임계값을 0.8로 높이면 잘못된 경보는 줄어들지만 일부 스팸 메시지가 더 많이 통과할 수 있습니다.

모델이 확신했지만 틀린 입력을 찾아보십시오. 이러한 오류는 데이터에서 누락된 단어나 수정이 필요한 레이블을 알려 주는 경우가 많습니다.

나이브 베이즈에서는 어떤 단어가 메시지를 스팸 쪽으로 밀었는지 나열할 수 있습니다. 이러한 단어 수준의 증거 덕분에 모델을 매우 쉽게 설명할 수 있습니다. 🔎

확률을 사용하면 위험도에 따라 정렬하고, 확신이 낮은 사례를 사람에게 보내며, 현명한 기준선을 설정할 수 있습니다. 확률을 잘 읽으면 모델은 실제 도구가 됩니다.

확정 레이블을 넘어 확률을 읽고, 클래스 순서를 확인하고, 임계값을 조정하고, 결정을 설명하는 방법을 배웠습니다. 이것이 분류기를 신뢰하는 방법입니다. ✅