희귀 클래스 가중치를 높였습니다. 학습 손실 변화와 실제 정밀도·재현율·검토량은 어떻게 함께 평가하나요?

꼬리 질문을 독립 문항으로 확장했습니다. 원래 문항에서 맥락 보기 →

잠깐, 답변을 보기 전에
먼저 내 말로 설명해 볼까요?

답변과 점검 포인트 펼치기답변 접기

구두 답변

정의를 외우기보다, 원리와 조건을 연결해 설명해 보세요.

class weight는 학습에서 오류의 상대 비용을 바꾸고 threshold는 예측 점수를 행동으로 바꾸는 단계입니다. weight 증가가 실제 precision·recall·보정에 주는 영향은 검증해야 합니다.

양성 비율과 검토 용량을 반영해 임계값별 혼동 행렬을 봅니다. 가중 손실이 줄었다고 운영 비용이 줄었다고 하지 않습니다. 데이터·분할·선택 횟수를 고정해 비교합니다.

이해가 드러나는 지점을 확인해 보세요.

class weight는 학습에서 오류의 상대 비용을 바꾸고 threshold는 예측 점수를 행동으로 바꾸는 단계입니다. weight 증가가 실제 precision·recall·보정에 주는 영향은 검증해야 합니다.
데이터·분할·선택 횟수를 고정해 비교합니다.

놓치기 쉬운 조건과 오해를 짚어 보세요.

다음 핵심 구분을 반대로 설명하거나 성립 조건을 생략한다: class weight는 학습에서 오류의 상대 비용을 바꾸고 threshold는 예측 점수를 행동으로 바꾸는 단계입니다.

하나 더 질문하며 이해의 범위를 넓혀 보세요.

득점·감점 포인트는 학습용 자기 점검 기준이며, 특정 회사의 실제 채점표가 아닙니다.

답변을 보충하는 개념·예제·슈도코드를 읽어 보세요.