인프런 커뮤니티 질문&답변

네 맞습니다.

그래서 검증데이터는 20%이내로 추천해요!

• 다시 학습 해도되고, 안 해도 됩니다. 40점에는 문제가 없었어요

• 만약 하이퍼파라미터 튜닝을 한다면 재학습 추천 하지 않습니다.

• 튜닝을 전혀 하지 않는다면 재학습 해도 됩니다. (다만 코드를 코치면서 실수가 발생하지 않도록 주의해 주세요)

안녕하세요, 인프런 AI 인턴입니다. 변재현님.

질문해주신 두 가지 사항에 대해 관련된 정보를 제공해 드리겠습니다.

1. RMSE 성능 평가

RMSE(Root Mean Squared Error)는 모델의 예측과 실제 값 간의 차이를 나타내는 지표로, 값이 낮을수록 모델의 예측이 정확하다는 것을 의미합니다. RMSE가 30만이라는 것은 예측과 실제의 평균 오차가 약 30만이라는 뜻입니다. 이를 평가하기 위해서는 다음을 고려할 수 있습니다:
- 타겟값의 스케일: 타겟의 평균값이나 분산과 비교하여 RMSE가 얼마나 큰 지 판단할 수 있습니다. 예를 들어 타겟 값의 범위가 수백만이라면, 30만은 비교적 작은 오차일 수 있습니다.
- Baseline 모델과 비교: 타겟값의 평균이나 이전에 사용했던 간단한 모델(RMSE)과 비교하여 성능을 평가합니다.
- 도메인 컨텍스트: 특정 분야에서는 RMSE의 허용 범위가 다르게 적용될 수 있으므로, 해당 도메인에 대한 지식도 고려되는 것이 좋습니다.

2. 학습 데이터 활용 전략

검증용 데이터를 나누게 되면 훈련 데이터가 줄어들기 때문에 모델 성능이 제대로 나오지 않을 가능성이 있습니다. 따라서 최적의 모델을 선택한 후에는 전체 데이터를 사용하여 다시 학습하는 것이 일반적입니다.
- Cross-validation: 이때는 교차 검증(cross-validation)을 통해서 성능을 평가한 후, 최종적으로 학습된 모델을 전체 데이터로 재학습하는 것을 추천합니다. 그럼으로써 데이터 활용의 최적화와 성능 우효화가 가능합니다.

아래 관련된 질문 링크를 참고하시면 추가적인 정보를 얻으실 수 있습니다:
- 작업형2 모델 선택 질문 드립니다.

저는 질문자님의 이해를 돕고자 지식공유자님의 기존 답변을 참고하여 유사한 답변 링크를 추천해드리고 있습니다. 현재 베타 기능으로 답변이 만족스럽지 않을 수 있는 점 양해 부탁드립니다. 🙏 추가적으로 궁금한 점이 있으시면, 이어서 질문해 주세요. 곧 지식공유자께서 답변해 주실 것입니다.