01 각 클래스의 확률을 독립적으로 해석해도 될까요?
설명
Softmax는 Class Score를 합이 1인 Probability로 변환하므로 한 점수의 변화가 다른 확률에도 영향을 줍니다.
Multiclass Classification
클래스별 점수·확률·정답 Label의 관계를 알아야 다중 분류의 오류와 잘못된 Label을 해석할 수 있습니다.
실습 전에
02 잘못된 Label 하나가 학습과 평가에 어떤 차이를 만들까요?
설명
학습은 변경 Label을 따르지만 원래 Label 기준 평가에서는 오류가 늘 수 있습니다.
실습
실습용 노트북 미리보기실습용 노트북 다운로드1. Multiclass Logits와 Prediction 비교
시작 조건
제공된 중심 (-2,0),(2,0),(0,2) 주변에서 Class별 6표본, 총 18개를 만듭니다. seed=7입니다.
진행 방법
Linear(2,3)와 CrossEntropy의 입력·Label shape를 확인하세요.- 첫 6개 표본의 Logit 3개·확률 3개·예측을 기록하세요.
- 자료 산점도와 Loss 곡선을 그리세요.
남길 결과
- 출력 6행 표와 자료·Loss 그림.
기록 항목과 확인할 점
- 표본
- 정답
- Logit 3개
- 확률 3개
- 예측
확인할 점
- 확률 합이 표본마다 1이고 Logit과 확률의 argmax가 같은가?
- Class Label을 정수 인덱스로 사용했는가?
2. Class별 결과와 모호한 입력
시작 조건
query=[(-2,0),(2,0),(0,2),(0,0)]을 학습 모델에 입력합니다.
진행 방법
- 18개 Training 표본의 3×3 Confusion Matrix를 작성하세요.
- query 4개의 확률·예측을 표에 적으세요.
- 중심 표본과 (0,0)의 확률 분포를 비교하세요.
남길 결과
- Confusion Matrix와 query 표.
기록 항목과 확인할 점
- query
- P0
- P1
- P2
- 예측
- 해석
확인할 점
- Confusion Matrix의 합이 18인가?
- 최대 확률을 모델의 절대적 신뢰 보장으로 해석하지 않았는가?
3. Label 하나가 바뀐 자료
시작 조건
표본 0의 Label만 0에서 1로 바꾸고 같은 조건으로 다시 학습합니다.
진행 방법
- 변경한 Label과 위치를 먼저 표시하세요.
- 기준·변경 모델의 Loss, 원래 Label 기준 오류, 변경 Label 기준 오류를 비교하세요.
- 학습의 어려움을 반복 횟수 문제와 자료 문제로 나누어 설명하세요.
남길 결과
- 두 모델 비교 표와 해석 짧은 설명.
기록 항목과 확인할 점
- 모델
- 최종 Loss
- 원래 Label 기준 오류 수
- 변경 Label 기준 오류 수
확인할 점
- 입력 자료나 초기화까지 함께 바꾸지 않았는가?
- 어느 Label을 평가 기준으로 썼는지 명시했는가?