Update README.md

README.md

@@ -21,32 +21,32 @@
 다양한 프롬프트 템플릿을 시도하여 어떤 형식이 모델의 성능을 향상시키는지 평가했습니다.
 
 3. 훈련 총 스텝 수 변경
-훈련 스텝이 높을 수록 더 많은 데이터를 처리할 수 있습니다. 하지만 너무 높거나 훈련 데이터 양이 충분하지 않다면 오버피팅될 수 있기 때문에 훈련 데이터 양에 따른 훈련 총 스탭 수를 적절하게 설정해야 합니다. 따라서 데이터 양에 따라 적절하게 훈련 총 스탭 수를 변경하면서 모델의 성능을 향상시키기 위해 노력했습니다.
+훈련 스텝이 높을수록 더 많은 데이터를 처리할 수 있습니다. 하지만 너무 높거나 훈련 데이터의 개수가 충분하지 않다면 오버피팅될 수 있기 때문에 훈련 데이터 개에 따른 훈련 총 스탭 수를 적절하게 설정해야 합니다. 따라서 데이터 양에 따라 적절하게 훈련 총 스탭 수를 변경하면서 모델의 성능을 향상시키기 위해 노력했습니다.
 
 4. 드롭아웃 값 변경
-오버피팅을 되지 않도록 드롭아웃의 값을 0.05에서 0.1로 변경했습니다.
+오버피팅을 되지 않도록 드롭아웃의 값을 0.05에서 0.15로 변경했습니다.
 
-정확도가 0.9 이상이 되도록 위의 4가지 방법을 조합하여 많이 실험해봤지만 정확도 값의 최대는 0.88이었습니다. 
+정확도가 0.9 이상이 되도록 위의 4가지 방법을 조합하여 많은 실험을 해봤지만 정확도 값의 최대는 0.874였습니다. 
 
 **분류 결과**
 
 Confusion Matrix
 |  | TP | TN |
 |----------|----------|----------|
-| PP | 439 | 62 |
-| PN | 69 | 430 |
+| PP | 445 | 63 |
+| PN | 63 | 429 |
 
 Classification Report
 |  | precision | recall | f1-score | support |
 |----------|----------|----------|----------|----------|
-| Negative | 0.86 | 0.87 | 0.87 | 492 |
-| Positive | 0.88 | 0.86 | 0.87 | 508 |
+| Negative | 0.87 | 0.87 | 0.87 | 492 |
+| Positive | 0.88 | 0.88 | 0.88 | 508 |
 | accuracy |  |  | 0.87 | 1000 |
 | macro avg | 0.87 | 0.87 | 0.87 | 1000 |
 | weighted avg | 0.87 | 0.87 | 0.87 | 1000 |
 
 **결과 분석**
 
-정확도는 0.869로 모델이 1000개 테스트 데이터 중 869개에 대해 정확한 예측을 수행했다.
-TP : 439, TN : 430, FP : 62, FN : 69의 결과가 나왔다. FP와 FN의 값을 봤을 때, 미세튜닝된 모델은 비슷하게 잘못 예측했다.
+정확도는 0.874로 모델이 1000개 테스트 데이터 중 874개에 대해 정확한 예측을 수행했다.
+TP : 445, TN : 429, FP : 63, FN : 63의 결과가 나왔다.