[ML] 교차검증 (CV, Cross Validation) 이란?

교차 검증이란?

• 보통은 train set 으로 모델을 훈련, test set으로 모델을 검증한다.
• 여기에는 한 가지 약점이 존재한다.
• 고정된 test set을 통해 모델의 성능을 검증하고 수정하는 과정을 반복하면, 결국 내가 만든 모델은 test set 에만 잘 동작하는 모델이 된다.
• 즉, test set에 과적합(overfitting)하게 되므로, 다른 실제 데이터를 가져와 예측을 수행하면 엉망인 결과가 나와버리게 된다.
• 이를 해결하고자 하는 것이 바로 교차 검증(cross validation)이다.
  • 교차 검증은 train set을 train set + validation set으로 분리한 뒤, validation set을 사용해 검증하는 방식이다.

교차 검증의 장점과 단점

• 장점

  • 모든 데이터셋을 훈련에 활용할 수 있다.
    • 정확도를 향상시킬 수 있다.
    • 데이터 부족으로 인한 underfitting을 방지할 수 있다.
  • 모든 데이터셋을 평가에 활용할 수 있다.
    • 평가에 사용되는 데이터 편중을 막을 수 있다.
    • 평가 결과에 따라 좀 더 일반화된 모델을 만들 수 있다.

• 단점

  • Iteration 횟수가 많기 때문에, 모델 훈련/평가 시간이 오래 걸린다.

교차 검증 기법 종류

• K-Fold Cross Validation ( k-겹 교차 검증 )
• Stratified K-Fold Cross Validation ( 계층별 k-겹 교차 검증 )
• 등

K-Fold Cross Validation ( k-겹 교차 검증 )

• K-Fold는 가장 일반적으로 사용되는 교차 검증 방법이다.

• 보통 회귀 모델에 사용되며, 데이터가 독립적이고 동일한 분포를 가진 경우에 사용된다.

• 자세한 K-Fold 교차 검증 과정은 다음과 같다.

  1. 전체 데이터셋을 Training Set과 Test Set으로 나눈다.
  2. Training Set를 Traing Set + Validation Set으로 사용하기 위해 k개의 폴드로 나눈다.
  3. 첫 번째 폴드를 Validation Set으로 사용하고 나머지 폴드들을 Training Set으로 사용한다.
  4. 모델을 Training한 뒤, 첫 번 째 Validation Set으로 평가한다.
  5. 차례대로 다음 폴드를 Validation Set으로 사용하며 3번을 반복한다.
  6. 총 k 개의 성능 결과가 나오며, 이 k개의 평균을 해당 학습 모델의 성능이라고 한다.

• 예제 코드

  • sklearn에서는 교차검증을 위해 cross_val_score 함수를 제공한다.

      from sklearn.datasets import load_iris
      from sklearn.model_selection import cross_val_score
    
      iris_data = load_iris()
    
      # 모델
      logreg = LogisticRegression()
    
      # 파라미터는 (모델, Traingdata의 feature, Trainingdata의 target, 폴드수) 이다.
      scores = cross_val_score(logreg , iris.data , iris.target ,cv=3)
    
      # Trainingdata에 대한 성능을 나타낸다.
      print('교차 검증별 정확도:',np.round(scores, 4))
      print('평균 검증 정확도:', np.round(np.mean(scores), 4))

  • KFold 상세 조정

    • 위 cross_val_score 함수에서는, cv로 폴드의 수를 조정할 수 있었다.

    • 만약 검증함수의 매개변수를 디테일하게 제어하고 싶다면

    • 따로 검증함수 객체를 만들고 매개변수를 조정한 다음, 해당 객체를 cross_val_score의 cv 매개변수에 넣을 수도 있다.

    • 이를 '교차 검증 분할기' 라고도 한다.

        from sklearn.datasets import load_iris
        from sklearn.model_selection import KFold
        from sklearn.model_selection import cross_val_score
      
        iris_data = load_iris()
      
        # 모델
        logreg = LogisticRegression()
      
        # n_split : 몇개로 분할할지
        # shuffle : Fold를 나누기 전에 무작위로 섞을지
        # random_state : 나눈 Fold를 그대로 사용할지
        kfold = KFold(n_splits=6, shuffle = True, random_state=0)
      
        # 파라미터는 (모델, Traingdata의 feature, Trainingdata의 target, 폴드수) 이다.
        scores = cross_val_score(logreg , iris.data , iris.target ,cv=kfold)
      
        # Trainingdata에 대한 성능을 나타낸다.
        print('교차 검증별 정확도:',np.round(scores, 4))
        print('평균 검증 정확도:', np.round(np.mean(scores), 4))