④ Autograd는 자동 미분을 수행하는 파이토치의 핵심 패키지로, 자동 미분에 대한 값을 저장하기 위해 테이프(tape)를 사용합니다. 순전파(foward) 단계에서 테이프는 수행하는 모든 연산을 저장합니다. 그리고 역전파(backward) 단계에서 저장된 값들을 꺼내서 사용합니다. 즉, Autograd는 Variable을 사용해서 역전파를 위한 미분 값을 자동으로 계산해 줍니다. 따라서 자동 미분을 계산하기 위해서는 torch.autograd 패키지 안에 있는 Variable을 이용해야 동작합니다.
⑤ 분류 문제에 대한 정확도는 전체 예측에 대한 정확한 예측의 비율로 표현할 수 있으며, 코드는 다음과 같습니다.
classification accuracy = correct predictions / total predictions
이때 결과에 100을 곱하여 백분율로 표시하는 코드는 다음과 같습니다.
classification accuracy = correct predictions / total predictions * 100
또한, 분류 문제에 대한 정확도는 다음과 같이 값을 반전시켜 오분류율 또는 오류율로 표현할 수 있습니다.
error rate = (1 - (correct predictions / total predictions)) * 100
분류 문제에서 클래스가 세 개 이상일 때는 다음과 같은 사항에 주의해야 합니다.
• 정확도가 80% 이상이었다고 합시다. 하지만 80%라는 값이 모든 클래스가 동등하게 고려된 것인지, 특정 클래스의 분류가 높았던 것인지에 대해 알 수 없음에 유의해야 합니다.
• 정확도가 90% 이상이었다고 합시다. 하지만 100개의 데이터 중 90개가 하나의 클래스에 속할 경우 90%의 정확도는 높다고 할 수 없습니다. 즉, 모든 데이터를 특정 클래스에 속한다고 예측해도 90%의 예측 결과가 나오기 때문에 데이터 특성에 따라 정확도를 잘 관측해야 합니다.