Deep Learning

AP(Average Precision)와 mAP(mean Average Precision) 지난 글(정밀도(Precision)와 재현율(Recall) 내용 정리)에서 확장된 내용입니다. 객체 검출(Object Detection) 문제를 풀 때 성능을 평가하는 대표적인 방법입니다. AP 및 mAP를 이해하기 위해서는 정밀도&재현율 곡선(Precision & Recall Curve) 및 IoU(Intersection of Union)에 대한 이해가 필요합니다. Precision & Recall Curve 정밀도(Precision)와 재현율(Recall) 내용 정리 글에서 정밀도와 재현율은 반비례하는 트레이드 오프 관계를 갖는다고 설명하였습니다. 복습을 위해 왜 그런지 간략히 설명하겠습니다. 분류 문제를 풀 때 오차 행렬(Confusion Matrix)를 많이 사용한다고 하였습니다....

정밀도와 민감도 분류기를 설계하다 보면 분류기의 성능을 평가할 필요가 있습니다. 보통 분류 작업에 대해 이를 수행할 분류기를 하나만 만들지 않기 때문입니다. 또는 다른 사람에게 본인이 만든 분류기가 어느 정도의 성능을 갖고 있는지 설명할 필요가 있습니다. 정확도의 함정 정확도는 정답을 맞춘 비율을 의미합니다. 즉 A를 A라고 대답한 비율을 의미하죠. 하지만 여기에는 큰 함정이 있습니다. 다음과 같은 상황을 살펴볼까요? 10,000개의 샘플이 있고, 불량 샘플을 찾는 문제라고 가정해보겠습니다. 10,000개의 샘플 중 불량 샘플은 500개가 있습니다....