평가 방법 -
학습 과정:
소스 언어 문장(source_texts)을 타겟 언어로 번역(target_texts)하는 모델을 학습합니다.
인코더-디코더 아키텍처를 사용하며, LSTM을 활용하여 시퀀스 데이터를 처리합니다.
손실 함수(criterion)로는 교차 엔트로피 손실(Cross-Entropy Loss)을 사용하여 모델을 학습시킵니다.
검증 과정:
학습된 모델의 성능을 평가하기 위해 검증 데이터(val_source_texts, val_target_texts)를 사용합니다.
검증 데이터는 모델이 학습한 데이터와 별도로 제공되며, 모델이 새로운 데이터에 대해 얼마나 잘 번역하는지를 평가합니다.
검증 데이터를 인코더와 디코더에 입력하여 번역 결과를 생성하고, 이 결과와 정답인 번역문을 비교하여 손실을 계산합니다.
계산된 손실 값(val_loss)은 모델의 성능을 나타냅니다. 더 작은 손실 값은 더 좋은 번역 품질을 의미합니다.
BLEU 스코어 평가:
모델이 생성한 번역 결과와 레퍼런스 번역(정답 번역) 사이의 유사성을 측정하기 위해 BLEU 스코어를 사용합니다.
BLEU(Bilingual Evaluation Understudy) 스코어는 기계 번역 결과와 사람이 만든 레퍼런스 번역 간의 일치 정도를 측정하는 데 사용됩니다.
높은 BLEU 스코어는 모델의 번역 품질이 높다는 것을 나타냅니다.
