예시 답변 1
약 69초
클래스 불균형 문제를 정의하고 증강 기법을 검증 지표로 비교한 결
이미지 분류 모델에서 특정 클래스가 전체의 3% 밖에 없어서 recall이 0에 수렴하는 문제가 있었습니다. 원인이 데이터 부족이었기 때문에 SMOTE와 회전·밝기 변환 방식 두 가지를 모두 써봤습니다. 증강 전후 recall·F1 스코어를 같은 검증 세트에서 비교했고, 회전·밝기 조합이 F1 기준으로 0.31에서 0.59로 개선됐습니다. 다만 과도하게 증강하면 검증 세트에 유사한 이미지가 섞여 평가가 부풀려질 수 있다는 점을 팀에 공유했고, 증강 이미지를 학습 셋에만 넣고 검증 셋은 원본만 유지했습니다. 증강은 성능을 올리는 도구이지만, 평가가 부정직해지는 쪽으로 쓰면 오히려 독이 된다는 걸 이 과정에서 배웠습니다.
이 결의 특징
특정 클래스가 전체 3%여서 recall이 0에 수렴하는 문제에 회전/밝기 조합 증강을 적용해 F1이 0.31에서 0.59로 개선된 흔적이 있습니다. 증강 이미지를 학습 셋에만 넣고 검증 셋은 원본만 유지하는 결이 보입니다.
이 결이 통하는 자리
증강이 평가를 부정직하게 만드는 방향으로 쓰이기 쉬운 자리에서, 검증 셋과 학습 셋을 분리하는 원칙이 먼저 있을 때 통합니다.