표본 외 데이터 과적 합에 대해 100 % 모델 정확도가 있습니까?

cognitiveclass.ai에서 R 과정에 대한 기계 학습을 마쳤으며 randomforests를 실험하기 시작했습니다.

R의 "randomForest"라이브러리를 사용하여 모델을 만들었습니다.이 모델은 좋거나 나쁜 두 클래스로 분류됩니다.

모델이 과적 합되면 자체 훈련 세트의 데이터에서는 잘 수행되지만 샘플에서 벗어난 데이터에서는 제대로 수행되지 않습니다.

내 모델을 훈련하고 테스트하기 위해 전체 데이터 세트를 섞어서 훈련 용 70 %와 테스트 용 30 %로 나누었습니다.

내 질문 : 테스트 세트에서 수행 한 예측에서 100 % 정확도를 얻었습니다. 이게 나쁜가요? 사실이 너무 좋은 것 같습니다.

목표는 파형에 따라 서로 4 개의 파형을 인식하는 것입니다. 데이터 세트의 기능은 대상 파형을 사용한 파형의 동적 시간 왜곡 분석 비용 결과입니다.

정확도와 같은 높은 검증 점수는 일반적으로 과적 합을하지 않음을 의미하지만주의를 기울여야하며 문제가 있음을 나타낼 수 있습니다. 또한 문제가 너무 어렵지 않고 모델의 성능이 우수하다는 것을 의미 할 수도 있습니다. 잘못 될 수있는 두 가지 :

• 데이터를 올바르게 분할하지 않았고 검증 데이터도 훈련 데이터에서 발생했습니다. 즉, 더 이상 일반화를 측정하지 않으므로 과적 합을 나타냅니다.
• 일부 기능 엔지니어링을 사용하여 추가 기능을 작성하고 일부 목표 누수를 도입했을 수 있습니다. 여기에서 행이 훈련 세트의 다른 목표가 아닌 현재 목표의 정보를 사용하고 있습니다.

가장 예측 가능한 기능이 무엇인지 조사하십시오. 때로는 기능 중에 대상 (또는 대상과 동등한 대상)이 실수로 포함 된 경우가 있습니다.