# 학습된 모델 평가
모델 평가 결과는 다음을 보여줍니다:
1. 프로덕션 메트릭 탐색기. 모델을 실행할 최적의 confidence threshold를 찾는 데 도움이 됩니다;
2. 모델 개선 권장 사항. 모델의 정확도를 높일 수 있는 방법에 대한 제안을 제공합니다;
3. 클래스별 성능. 모델이 서로 다른 클래스를 얼마나 잘 식별하는지 보여줍니다;
4. Confusion Matrix. 모델이 특히 잘하거나 어려워하는 특정 클래스를 찾는 데 사용할 수 있으며;
5. 이미지 클러스터 중 모델이 잘하거나 못하는 부분을 식별할 수 있게 해주는 대화형 vector explorer;
모델 평가를 사용하여 모델의 개선이 필요한 영역을 식별할 수 있습니다.
유료 사용자가 Roboflow에 학습하거나 업로드한 모든 버전 관리된 모델에 대해 모델 평가가 자동으로 실행됩니다. 수백 장의 이미지로 구성된 데이터셋의 경우 평가가 완료되는 데 몇 분이 걸릴 수 있으며, 수천 장 이상의 이미지가 있는 대규모 데이터셋의 경우 몇 시간이 걸릴 수 있습니다.
### Model Evaluation 열기
모델의 confusion matrix와 vector explorer를 찾으려면 프로젝트에서 학습된 모델 버전을 엽니다. 그런 다음 "View Evaluation" 버튼을 클릭하세요:
창이 열리면 confusion matrix와 vector analysis를 볼 수 있습니다.
### 프로덕션 메트릭 탐색기
프로덕션 메트릭 탐색기는 가능한 모든 confidence threshold에서 모델의 Precision, Recall, F1 점수를 보여줍니다. 이 정보는 그래프로 표시됩니다.
이러한 통계를 바탕으로 프로덕션 메트릭 탐색기는 "optimal confidence"를 권장합니다. 이는 Precision/Recall/F1 Score의 균형이 가장 좋은 threshold입니다.
모델 평가가 완료되면 최적의 confidence threshold가 모델의 추론 요청에 대한 기본값으로 자동 적용됩니다. 클래스별 threshold가 사용 가능한 경우 그것도 적용되며, 전역 threshold는 자체 값이 없는 클래스의 대체값으로 사용됩니다.
각 개별 추론 요청에서 다음을 전달하여 confidence threshold를 재정의할 수 있습니다 `confidence` 매개변수를 명시적으로.
슬라이더를 드래그하여 서로 다른 confidence threshold에서의 F1/Precision/Recall 값을 볼 수 있습니다:
### 모델 개선 권장 사항
모델 평가의 모델 개선 권장 사항 섹션에는 모델의 정확도를 높이는 방법에 대한 제안이 나열됩니다. 이러한 개선 사항은 모델로 계산한 confusion matrix 결과를 기반으로 합니다. (이 페이지의 뒤쪽에서 confusion matrix에 대한 자세한 정보를 확인하세요).
모델 개선 권장 사항 기능은 다음과 관련된 제안을 할 수 있습니다:
* 많은 false negative를 예측하는 모델을 개선하는 방법.
* 많은 false positive를 예측하는 모델을 개선하는 방법.
* 어떤 클래스들이 자주 혼동되는지(오인식되는지).
* 정확도 향상을 위해 더 많은 데이터가 필요한 클래스가 무엇인지.
* 테스트 또는 validation set이 너무 작을 수 있는 경우.
* 그리고 그 외에도.
### 클래스별 성능
클래스별 성능 차트는 데이터셋의 모든 클래스에 걸쳐 올바른 예측, 오분류, false negative, false positive가 각각 얼마나 있는지를 보여줍니다.
이 정보를 사용하면 한눈에 모델이 잘 식별하는 클래스와 식별에 어려움을 겪는 클래스를 볼 수 있습니다.
데이터셋에 클래스가 많은 경우, "All Classes" 드롭다운을 열고 강조 표시할 클래스를 선택하여 차트를 특정 클래스에 맞출 수 있습니다:
Confidence Threshold 슬라이더를 이동하면 서로 다른 confidence threshold에서 이 차트가 어떻게 바뀌는지도 볼 수 있습니다:
기본적으로 이 차트는 우리가 권장하는 최적의 confidence threshold를 사용합니다.
### Confusion Matrix
Confusion Matrix는 모델이 서로 다른 클래스에서 얼마나 잘 작동하는지 보여줍니다.
Confusion Matrix는 테스트 및 validation set의 이미지를 학습된 모델로 실행하여 계산됩니다. 그런 다음 모델의 결과를 데이터셋 주석의 "ground truth"와 비교합니다.
Confusion Matrix 도구를 사용하면 다음을 식별할 수 있습니다:
* 모델이 잘 작동하는 클래스.
* 모델이 객체를 잘못된 클래스로 식별하는 경우(false positive).
* 실제로는 객체가 없는데 모델이 객체를 식별하는 경우(false negative).
다음은 confusion matrix 예시입니다:
모델이 감지하는 클래스가 많으면, confusion matrix를 탐색할 수 있도록 스크롤 바가 나타납니다.
기본적으로 confusion matrix는 모델에 대해 계산된 최적 threshold에서 실행했을 때의 성능을 보여줍니다.
Confidence Threshold 슬라이더를 사용하여 confidence threshold를 조정할 수 있습니다. 슬라이더를 설정하면 confusion matrix, precision, recall이 업데이트됩니다:
Confusion Matrix의 각 상자를 클릭하여 해당 카테고리에 어떤 이미지가 나타나는지 볼 수 있습니다.
예를 들어, "False Positive" 열의 아무 상자나 클릭하면 ground truth 데이터에는 존재하지 않았는데 객체가 식별된 이미지를 확인할 수 있습니다.
개별 이미지를 클릭하여 ground truth(주석)와 model predictions 사이를 전환할 수 있는 대화형 보기로 들어갈 수 있습니다:
"Ground Truth"를 클릭하면 주석을 보고, "Model Predictions"를 클릭하면 모델이 반환한 결과를 볼 수 있습니다.
---
# Agent Instructions: Querying This Documentation
If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question.
Perform an HTTP GET request on the current page URL with the `ask` query parameter:
```
GET https://docs.roboflow.com/roboflow/roboflow-ko/train/evaluate-trained-models.md?ask=
```
The question should be specific, self-contained, and written in natural language.
The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.
Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.