남은 문제 : 36
문제 1351
ROC 커브는 민감도와 1-특이도로 그려지는 커브이다. 아래 오분류표에서 민감도와 특이도는?
보기
1.민감도 = \({3 \over 7}\) 특이도 = \({1 \over 3}\)
2.민감도 = \({3 \over 5}\) 특이도 = \({1 \over 3}\)
3.민감도 = \({4 \over 7}\) 특이도 = \({2 \over 3}\)
4.민감도 = \({2 \over 5}\) 특이도 = \({4 \over 5}\)
정답
1
해시
태그
lADsP 완전 정복l 성과 분석_2
h9IKAEVHcHs
00:06
: positive가 중요하다. 아니면 negative가 중요하다. 라는 것에 따라서 지표가 필요하다고 생각이 들 거예요.
00:14
: 그래서 그렇게 사용되는 것이 바로 민감도라는 것이 있고, 특이도라는 것이 있습니다.
00:22
: 민감도는 sensitivity라고 표현을 하고요. 특이도는 Specificity. 이런 식으로 표현을 합니다.
00:31
: 그래서 민감도 같은 경우는 positive를 실제 positive를 positive라고 잘 예측하는 거예요.
00:39
: 그래서 실제 positive를 positive라고 잘 예측한 정도, 특이도 같은 경우는 실제 false negative를 negative라고 잘 예측한 정도예요.
00:51
: 그래서 보시면 민감도 같은 경우는 TP+FN 분에 TP가 분자에 가고요. 특이도 같은 경우는 TN+FN 분에 TN이 분자로 갑니다.
01:11
: 그렇기 때문에 보시면 민감도는 positive를 positive로 예측을 한 거고
01:18
: 특이도는 negative를 negative로 잘 맞힌 것을 의미한다. 라는 지표로 기억을 하시면 될 거예요.
01:25
: 그래서 밑에 결괏값을 보시면은 이렇게 sensitivity나 Specificity를 구할 수 있다. 라고 생각해 볼 수 있을 겁니다.
01:35
: 앞에서 말씀드린 정분류율이 있죠.
01:38
: 정분류율이라는 게 보면 이것은 틀린 거든, 맞는 거든 일단 잘 맞힌 거를 의미하는 정분류율 이것과
01:49
: 그다음에 앞에서 말씀드린 민감도 그리고 특이도 같은.
01:52
: 세 가지 지표가 모두 높으면 우수한 모형이다. 라고 판단을 할 수 있습니다.
01:59
: 이 세 가지 지표 모두 높은 모형은 우수한 모형이다. 라고 판단을 할 수 있다. 라는 점 반드시 기억하시기 바랍니다.
02:08
: 세 가지 지표에 대해서 이렇게 볼 수도 있는데 보통은 분석을 하실 때는
02:14
: 아마도 세 가지 지표를 다 보지만, 기준이 보통은 positive를 기준으로 하는 게 많아요.
02:21
: 그래서 분석에서는 positive로 모형의 성능을 많이 판단합니다.
02:26
: 그래서 positive를 실제 positive인 것을 positive로 맞힌다거나, 실제 negative를 positive로 맞힌다거나, 이런 거에 대해서 주로 확인을 많이 해요.
02:37
: 그렇기 때문에 민감도 같은 경우는 그대로 들어갈 거예요.
02:41
: 민감도는 positive를 positive로 예측했기 때문에 민감도. 그리고 negative를 negative로 예측한 거는 특이도지만 negative를 positive로 예측한 것은 1-특이도입니다.
02:58
: 민감도, 특이도 쓰지만. 민감도와 1-특이도. 이거를 관점 positive를 기준으로 본다고 했을 때는 이 두 가지 지표를 주로 많이 활용을 해요.
03:08
: 그래서 앞서 말씀드린 정분류율이 높고, 민감도가 높고 1- 특이도는 반대로 낮아야 되겠죠.
03:17
: 특이도는 높을수록 좋지만 1-특이도는 실제 negative인데 positive로 맞힌 거니까 낮아야 됩니다.
03:26
: 정분류율 민감도는 크고 1-특이도는 낮을수록 좋은 모형이다. 라고 생각을 하시기 바랍니다.
03:35
: 그래서 이렇게 나온 민감도라든지, 1- 특이도를 가지고도 보통 성과지표를 새로 하나 만들어 낼 수가 있어요.
03:46
: 그게 바로 roc 커브라는 것이 있습니다. 여기서 roc 패키지라고 했는데, roc 커브라고 표현을 해요. 그래서 가로축에는 1-특이도예요.
03:58
: 그래서 가로축에는 1-특이도로, 세로축에는 민감도. sensitivity 이 값을 두고 시각화한 그래프를 roc 커브라고 표현을 합니다.
04:11
: 여기서 그림을 한번 보시면 파란색으로 커브가 되어 있는 것을 볼 수 있을 거예요.
04:16
: 그래서 각각마다 a 여기는 b라고 할게요. 이렇게 4개로 표현을 할 수 있다고 합시다.
04:22
: 이렇게 각각 모형이라고 생각을 했을 때, 민감도는 커야 되고, 1-특이도는 낮은 게 좋다고 했어요. 이런 모형이 좋은 모형이다. 라고 말씀을 드렸습니다.
04:34
: 그래서 1- 특이도 값이 같은 값을 기준으로 해서 한번 확인을 해 볼게요.
04:40
: 그래서 각 모형을 민감도를 비교해 봤을 때, 얼마나 민감도가 달라지는지 볼 수가 있을 거예요.
04:47
: 만약에 특이도라는 값이 0.2를 기준으로 한번 보겠습니다. 0.2를 기준으로 선을 그었을 때 0.2를 기준으로 봤을 때
04:56
: 각각 모형 d라는 모형에 대해서는 민감도가 이만큼, c라는 모양은 민감도가 이만큼, b라는 모형은 민감도가 이만큼, a라는 모양은 민감도가 이만큼
05:07
: 나타나는데 민감도는 클수록 좋다고 했죠.
05:10
: 그러면 a라는 모형이 가장 좋은 모형이다. 라는 것도 이렇게 확인을 할 수 있을 거예요.
05:17
: 근데 한 지점에 대해서 확인을 했을 때, 이런 결과를 볼 수 있다. 라는 점 기억하시고
05:24
: 근데 이 그래프 자체가 0에서 시작합니다. 그래서 1에서 끝나요. 0에서 시작해서 1에서 끝나는 누적 그래프예요.
05:34
: 그래서 a라는 모형이 제일 좋다고 말씀드렸는데 누적값을 가지고 다 그어서 봐도 a라는 모형이 제일 값이 높게 나올 거예요.
05:43
: 그래서 a라는 모형이 가장 좋은 모형이라고 할 수 있는데, 이 a라는 모형이 가장 좋은 모형인 걸 확인을 해봤을 때 이렇게 엄청 불룩해요.
05:54
: 볼록하면 볼록할수록 좋은 모형이다. 라고 기억을 하시면 돼요. 그리고 모형을 만들었는데 100%를 다 맞히는 모형이 있어요.
06:04
: 100%를 다 맞히는 모형은 이렇게 사각형이 되겠죠.
06:08
: 그래서 0일 때, 1-특이도가 0일 때 1이라는 값으로 가기 때문에 특이도가 작고 민감도가 높은 가장 최적의 값은
06:18
: 이렇게 형태가 나타날 때 가장 좋은 모형이 될 수 있다. 라고 기억을 하시면 됩니다.
06:25
: 그리고 그래프로 보는 것도 좀 중요하긴 한데, 판단하기 위해서는 보통 수치로 보셔야 명확할 거예요.
06:35
: 수치로 보는 게 명확해서 이 그래프 위쪽의 면적을 비교할 수 있습니다.
06:40
: 그래프의 위쪽 면적을 한번 비교를 해보면 a라는 모형의 위쪽 면적 같은 경우는 이만큼 결과가 나올 거예요.
06:48
: 이 면적을 auroc라고 합니다. area under roc라고 해요. 그래서 정확도에 측정 기준으로 나타낼 수 있어요.
07:00
: 그래서 각각 모형에 대해서 이렇게 roc 모형을 한번 확인을 해 볼 수 있을 겁니다.
07:10
: 그래서 이렇게 roc 모형을 확인을 해 봤을 때 보통 보면 0.9에서 1 사이는 아주 excellent 한 모형이다. 라고 표현을 할 수 있고요.
07:20
: 아니면 0.8에서 0.9는 good. 좋은 모형, 그리고 0.7에서 0.8은 fair 하다. d라는 모형이 있다고 치면은 0.6에서 0.7의 값이 나타난다. 하면
07:32
: poor 한 모형이다. 보통 여기서부터는 모형을 사용을 안 해요. 보통 모형 사용 안 합니다.
07:40
: 그리고 0.5부터 0.6은 fail. 실패한 모형이다. 라고 판단을 한다. 반드시 기억을 해 주시기 바랍니다.
20:00
:
02:14
~
03:17
1
2
3
검수 상태 :
불통
통과
불통
최종불통
lADsP 완전 정복l 성과 분석_2
h9IKAEVHcHs
00:06
: positive가 중요하다. 아니면 negative가 중요하다. 라는 것에 따라서 지표가 필요하다고 생각이 들 거예요.
00:14
: 그래서 그렇게 사용되는 것이 바로 민감도라는 것이 있고, 특이도라는 것이 있습니다.
00:22
: 민감도는 sensitivity라고 표현을 하고요. 특이도는 Specificity. 이런 식으로 표현을 합니다.
00:31
: 그래서 민감도 같은 경우는 positive를 실제 positive를 positive라고 잘 예측하는 거예요.
00:39
: 그래서 실제 positive를 positive라고 잘 예측한 정도, 특이도 같은 경우는 실제 false negative를 negative라고 잘 예측한 정도예요.
00:51
: 그래서 보시면 민감도 같은 경우는 TP+FN 분에 TP가 분자에 가고요. 특이도 같은 경우는 TN+FN 분에 TN이 분자로 갑니다.
01:11
: 그렇기 때문에 보시면 민감도는 positive를 positive로 예측을 한 거고
01:18
: 특이도는 negative를 negative로 잘 맞힌 것을 의미한다. 라는 지표로 기억을 하시면 될 거예요.
01:25
: 그래서 밑에 결괏값을 보시면은 이렇게 sensitivity나 Specificity를 구할 수 있다. 라고 생각해 볼 수 있을 겁니다.
01:35
: 앞에서 말씀드린 정분류율이 있죠.
01:38
: 정분류율이라는 게 보면 이것은 틀린 거든, 맞는 거든 일단 잘 맞힌 거를 의미하는 정분류율 이것과
01:49
: 그다음에 앞에서 말씀드린 민감도 그리고 특이도 같은.
01:52
: 세 가지 지표가 모두 높으면 우수한 모형이다. 라고 판단을 할 수 있습니다.
01:59
: 이 세 가지 지표 모두 높은 모형은 우수한 모형이다. 라고 판단을 할 수 있다. 라는 점 반드시 기억하시기 바랍니다.
02:08
: 세 가지 지표에 대해서 이렇게 볼 수도 있는데 보통은 분석을 하실 때는
02:14
: 아마도 세 가지 지표를 다 보지만, 기준이 보통은 positive를 기준으로 하는 게 많아요.
02:21
: 그래서 분석에서는 positive로 모형의 성능을 많이 판단합니다.
02:26
: 그래서 positive를 실제 positive인 것을 positive로 맞힌다거나, 실제 negative를 positive로 맞힌다거나, 이런 거에 대해서 주로 확인을 많이 해요.
02:37
: 그렇기 때문에 민감도 같은 경우는 그대로 들어갈 거예요.
02:41
: 민감도는 positive를 positive로 예측했기 때문에 민감도. 그리고 negative를 negative로 예측한 거는 특이도지만 negative를 positive로 예측한 것은 1-특이도입니다.
02:58
: 민감도, 특이도 쓰지만. 민감도와 1-특이도. 이거를 관점 positive를 기준으로 본다고 했을 때는 이 두 가지 지표를 주로 많이 활용을 해요.
03:08
: 그래서 앞서 말씀드린 정분류율이 높고, 민감도가 높고 1- 특이도는 반대로 낮아야 되겠죠.
03:17
: 특이도는 높을수록 좋지만 1-특이도는 실제 negative인데 positive로 맞힌 거니까 낮아야 됩니다.
03:26
: 정분류율 민감도는 크고 1-특이도는 낮을수록 좋은 모형이다. 라고 생각을 하시기 바랍니다.
03:35
: 그래서 이렇게 나온 민감도라든지, 1- 특이도를 가지고도 보통 성과지표를 새로 하나 만들어 낼 수가 있어요.
03:46
: 그게 바로 roc 커브라는 것이 있습니다. 여기서 roc 패키지라고 했는데, roc 커브라고 표현을 해요. 그래서 가로축에는 1-특이도예요.
03:58
: 그래서 가로축에는 1-특이도로, 세로축에는 민감도. sensitivity 이 값을 두고 시각화한 그래프를 roc 커브라고 표현을 합니다.
04:11
: 여기서 그림을 한번 보시면 파란색으로 커브가 되어 있는 것을 볼 수 있을 거예요.
04:16
: 그래서 각각마다 a 여기는 b라고 할게요. 이렇게 4개로 표현을 할 수 있다고 합시다.
04:22
: 이렇게 각각 모형이라고 생각을 했을 때, 민감도는 커야 되고, 1-특이도는 낮은 게 좋다고 했어요. 이런 모형이 좋은 모형이다. 라고 말씀을 드렸습니다.
04:34
: 그래서 1- 특이도 값이 같은 값을 기준으로 해서 한번 확인을 해 볼게요.
04:40
: 그래서 각 모형을 민감도를 비교해 봤을 때, 얼마나 민감도가 달라지는지 볼 수가 있을 거예요.
04:47
: 만약에 특이도라는 값이 0.2를 기준으로 한번 보겠습니다. 0.2를 기준으로 선을 그었을 때 0.2를 기준으로 봤을 때
04:56
: 각각 모형 d라는 모형에 대해서는 민감도가 이만큼, c라는 모양은 민감도가 이만큼, b라는 모형은 민감도가 이만큼, a라는 모양은 민감도가 이만큼
05:07
: 나타나는데 민감도는 클수록 좋다고 했죠.
05:10
: 그러면 a라는 모형이 가장 좋은 모형이다. 라는 것도 이렇게 확인을 할 수 있을 거예요.
05:17
: 근데 한 지점에 대해서 확인을 했을 때, 이런 결과를 볼 수 있다. 라는 점 기억하시고
05:24
: 근데 이 그래프 자체가 0에서 시작합니다. 그래서 1에서 끝나요. 0에서 시작해서 1에서 끝나는 누적 그래프예요.
05:34
: 그래서 a라는 모형이 제일 좋다고 말씀드렸는데 누적값을 가지고 다 그어서 봐도 a라는 모형이 제일 값이 높게 나올 거예요.
05:43
: 그래서 a라는 모형이 가장 좋은 모형이라고 할 수 있는데, 이 a라는 모형이 가장 좋은 모형인 걸 확인을 해봤을 때 이렇게 엄청 불룩해요.
05:54
: 볼록하면 볼록할수록 좋은 모형이다. 라고 기억을 하시면 돼요. 그리고 모형을 만들었는데 100%를 다 맞히는 모형이 있어요.
06:04
: 100%를 다 맞히는 모형은 이렇게 사각형이 되겠죠.
06:08
: 그래서 0일 때, 1-특이도가 0일 때 1이라는 값으로 가기 때문에 특이도가 작고 민감도가 높은 가장 최적의 값은
06:18
: 이렇게 형태가 나타날 때 가장 좋은 모형이 될 수 있다. 라고 기억을 하시면 됩니다.
06:25
: 그리고 그래프로 보는 것도 좀 중요하긴 한데, 판단하기 위해서는 보통 수치로 보셔야 명확할 거예요.
06:35
: 수치로 보는 게 명확해서 이 그래프 위쪽의 면적을 비교할 수 있습니다.
06:40
: 그래프의 위쪽 면적을 한번 비교를 해보면 a라는 모형의 위쪽 면적 같은 경우는 이만큼 결과가 나올 거예요.
06:48
: 이 면적을 auroc라고 합니다. area under roc라고 해요. 그래서 정확도에 측정 기준으로 나타낼 수 있어요.
07:00
: 그래서 각각 모형에 대해서 이렇게 roc 모형을 한번 확인을 해 볼 수 있을 겁니다.
07:10
: 그래서 이렇게 roc 모형을 확인을 해 봤을 때 보통 보면 0.9에서 1 사이는 아주 excellent 한 모형이다. 라고 표현을 할 수 있고요.
07:20
: 아니면 0.8에서 0.9는 good. 좋은 모형, 그리고 0.7에서 0.8은 fair 하다. d라는 모형이 있다고 치면은 0.6에서 0.7의 값이 나타난다. 하면
07:32
: poor 한 모형이다. 보통 여기서부터는 모형을 사용을 안 해요. 보통 모형 사용 안 합니다.
07:40
: 그리고 0.5부터 0.6은 fail. 실패한 모형이다. 라고 판단을 한다. 반드시 기억을 해 주시기 바랍니다.
20:00
:
00:51
~
01:59
1
2
3
검수 상태 :
불통
통과
불통
최종불통
lADsP 완전 정복l 성과 분석_2
h9IKAEVHcHs
00:06
: positive가 중요하다. 아니면 negative가 중요하다. 라는 것에 따라서 지표가 필요하다고 생각이 들 거예요.
00:14
: 그래서 그렇게 사용되는 것이 바로 민감도라는 것이 있고, 특이도라는 것이 있습니다.
00:22
: 민감도는 sensitivity라고 표현을 하고요. 특이도는 Specificity. 이런 식으로 표현을 합니다.
00:31
: 그래서 민감도 같은 경우는 positive를 실제 positive를 positive라고 잘 예측하는 거예요.
00:39
: 그래서 실제 positive를 positive라고 잘 예측한 정도, 특이도 같은 경우는 실제 false negative를 negative라고 잘 예측한 정도예요.
00:51
: 그래서 보시면 민감도 같은 경우는 TP+FN 분에 TP가 분자에 가고요. 특이도 같은 경우는 TN+FN 분에 TN이 분자로 갑니다.
01:11
: 그렇기 때문에 보시면 민감도는 positive를 positive로 예측을 한 거고
01:18
: 특이도는 negative를 negative로 잘 맞힌 것을 의미한다. 라는 지표로 기억을 하시면 될 거예요.
01:25
: 그래서 밑에 결괏값을 보시면은 이렇게 sensitivity나 Specificity를 구할 수 있다. 라고 생각해 볼 수 있을 겁니다.
01:35
: 앞에서 말씀드린 정분류율이 있죠.
01:38
: 정분류율이라는 게 보면 이것은 틀린 거든, 맞는 거든 일단 잘 맞힌 거를 의미하는 정분류율 이것과
01:49
: 그다음에 앞에서 말씀드린 민감도 그리고 특이도 같은.
01:52
: 세 가지 지표가 모두 높으면 우수한 모형이다. 라고 판단을 할 수 있습니다.
01:59
: 이 세 가지 지표 모두 높은 모형은 우수한 모형이다. 라고 판단을 할 수 있다. 라는 점 반드시 기억하시기 바랍니다.
02:08
: 세 가지 지표에 대해서 이렇게 볼 수도 있는데 보통은 분석을 하실 때는
02:14
: 아마도 세 가지 지표를 다 보지만, 기준이 보통은 positive를 기준으로 하는 게 많아요.
02:21
: 그래서 분석에서는 positive로 모형의 성능을 많이 판단합니다.
02:26
: 그래서 positive를 실제 positive인 것을 positive로 맞힌다거나, 실제 negative를 positive로 맞힌다거나, 이런 거에 대해서 주로 확인을 많이 해요.
02:37
: 그렇기 때문에 민감도 같은 경우는 그대로 들어갈 거예요.
02:41
: 민감도는 positive를 positive로 예측했기 때문에 민감도. 그리고 negative를 negative로 예측한 거는 특이도지만 negative를 positive로 예측한 것은 1-특이도입니다.
02:58
: 민감도, 특이도 쓰지만. 민감도와 1-특이도. 이거를 관점 positive를 기준으로 본다고 했을 때는 이 두 가지 지표를 주로 많이 활용을 해요.
03:08
: 그래서 앞서 말씀드린 정분류율이 높고, 민감도가 높고 1- 특이도는 반대로 낮아야 되겠죠.
03:17
: 특이도는 높을수록 좋지만 1-특이도는 실제 negative인데 positive로 맞힌 거니까 낮아야 됩니다.
03:26
: 정분류율 민감도는 크고 1-특이도는 낮을수록 좋은 모형이다. 라고 생각을 하시기 바랍니다.
03:35
: 그래서 이렇게 나온 민감도라든지, 1- 특이도를 가지고도 보통 성과지표를 새로 하나 만들어 낼 수가 있어요.
03:46
: 그게 바로 roc 커브라는 것이 있습니다. 여기서 roc 패키지라고 했는데, roc 커브라고 표현을 해요. 그래서 가로축에는 1-특이도예요.
03:58
: 그래서 가로축에는 1-특이도로, 세로축에는 민감도. sensitivity 이 값을 두고 시각화한 그래프를 roc 커브라고 표현을 합니다.
04:11
: 여기서 그림을 한번 보시면 파란색으로 커브가 되어 있는 것을 볼 수 있을 거예요.
04:16
: 그래서 각각마다 a 여기는 b라고 할게요. 이렇게 4개로 표현을 할 수 있다고 합시다.
04:22
: 이렇게 각각 모형이라고 생각을 했을 때, 민감도는 커야 되고, 1-특이도는 낮은 게 좋다고 했어요. 이런 모형이 좋은 모형이다. 라고 말씀을 드렸습니다.
04:34
: 그래서 1- 특이도 값이 같은 값을 기준으로 해서 한번 확인을 해 볼게요.
04:40
: 그래서 각 모형을 민감도를 비교해 봤을 때, 얼마나 민감도가 달라지는지 볼 수가 있을 거예요.
04:47
: 만약에 특이도라는 값이 0.2를 기준으로 한번 보겠습니다. 0.2를 기준으로 선을 그었을 때 0.2를 기준으로 봤을 때
04:56
: 각각 모형 d라는 모형에 대해서는 민감도가 이만큼, c라는 모양은 민감도가 이만큼, b라는 모형은 민감도가 이만큼, a라는 모양은 민감도가 이만큼
05:07
: 나타나는데 민감도는 클수록 좋다고 했죠.
05:10
: 그러면 a라는 모형이 가장 좋은 모형이다. 라는 것도 이렇게 확인을 할 수 있을 거예요.
05:17
: 근데 한 지점에 대해서 확인을 했을 때, 이런 결과를 볼 수 있다. 라는 점 기억하시고
05:24
: 근데 이 그래프 자체가 0에서 시작합니다. 그래서 1에서 끝나요. 0에서 시작해서 1에서 끝나는 누적 그래프예요.
05:34
: 그래서 a라는 모형이 제일 좋다고 말씀드렸는데 누적값을 가지고 다 그어서 봐도 a라는 모형이 제일 값이 높게 나올 거예요.
05:43
: 그래서 a라는 모형이 가장 좋은 모형이라고 할 수 있는데, 이 a라는 모형이 가장 좋은 모형인 걸 확인을 해봤을 때 이렇게 엄청 불룩해요.
05:54
: 볼록하면 볼록할수록 좋은 모형이다. 라고 기억을 하시면 돼요. 그리고 모형을 만들었는데 100%를 다 맞히는 모형이 있어요.
06:04
: 100%를 다 맞히는 모형은 이렇게 사각형이 되겠죠.
06:08
: 그래서 0일 때, 1-특이도가 0일 때 1이라는 값으로 가기 때문에 특이도가 작고 민감도가 높은 가장 최적의 값은
06:18
: 이렇게 형태가 나타날 때 가장 좋은 모형이 될 수 있다. 라고 기억을 하시면 됩니다.
06:25
: 그리고 그래프로 보는 것도 좀 중요하긴 한데, 판단하기 위해서는 보통 수치로 보셔야 명확할 거예요.
06:35
: 수치로 보는 게 명확해서 이 그래프 위쪽의 면적을 비교할 수 있습니다.
06:40
: 그래프의 위쪽 면적을 한번 비교를 해보면 a라는 모형의 위쪽 면적 같은 경우는 이만큼 결과가 나올 거예요.
06:48
: 이 면적을 auroc라고 합니다. area under roc라고 해요. 그래서 정확도에 측정 기준으로 나타낼 수 있어요.
07:00
: 그래서 각각 모형에 대해서 이렇게 roc 모형을 한번 확인을 해 볼 수 있을 겁니다.
07:10
: 그래서 이렇게 roc 모형을 확인을 해 봤을 때 보통 보면 0.9에서 1 사이는 아주 excellent 한 모형이다. 라고 표현을 할 수 있고요.
07:20
: 아니면 0.8에서 0.9는 good. 좋은 모형, 그리고 0.7에서 0.8은 fair 하다. d라는 모형이 있다고 치면은 0.6에서 0.7의 값이 나타난다. 하면
07:32
: poor 한 모형이다. 보통 여기서부터는 모형을 사용을 안 해요. 보통 모형 사용 안 합니다.
07:40
: 그리고 0.5부터 0.6은 fail. 실패한 모형이다. 라고 판단을 한다. 반드시 기억을 해 주시기 바랍니다.
20:00
:
00:06
~
01:25
1
2
3
검수 상태 :
불통
통과
불통
최종불통
키워드 :
영상UID :
시작 시간 :
종료 시간 :
우선순위 :
추가
이전
다음