앙상블 모형에서는 각 모형이 독립적일수록(상호 연관성이 낮을수록) 예측 성능이 향상된다. 상호 연관성이 높을 경우 모형 간의 다변성이 부족해 앙상블의 이점을 살릴 수 없다. 나머지 선택지들은 앙상블 모형의 일반적인 특징을 정확히 설명하고 있다.
핵심 암기 · 앙상블은 모형끼리 "달라야"(낮은 상관) 더 좋아진다
CONCEPT 02
배깅 · 부스팅 · 랜덤포레스트 · 스태킹
2 / 2
배깅(Bagging)붓스트랩으로 크기가 같은 여러 표본을 생성, 각 분류기 결과를 다수결로 앙상블
부스팅(Boosting)잘못 분류된 데이터에 더 큰 가중치를 주어 순차적으로 추출·학습
랜덤포레스트분할마다 "무작위로 선택된" 일부 변수들 중에서 최적의 분할을 찾음 — 중요도순 선택 아님
스태킹(Stacking)동일 타입이 아닌 "서로 다른" 학습 알고리즘들을 조합해 메타모델 구성
↓ 기출 2번 연결 ↓
QUESTION 02
앙상블 기법 설명으로 부적절한 것
43회 기출
관련 문제
앙상블(Ensemble) 모형에 대한 설명으로 가장 적절하지 않은 것은?
① 랜덤 포레스트는 분할에 사용될 예측변수를 중요도에 따라 선택하고, 선택한 변수 내에서 최적의 분할을 만들어 나가는 방법이다.
② 부스팅은 분류가 잘못된 데이터에 더 큰 가중을 주어 추출하는 방식이다.
③ 배깅은 원 데이터 집합으로부터 크기가 같은 여러 개의 부트스트랩 표본을 생성하고, 각 부트스트랩 표본에 대해 분류기를 생성한 후 그 결과를 앙상블 하는 방법이다.
④ 스태킹은 동일한 타입의 모델을 조합하는 방법들과는 달리 다양한 학습 알고리즘을 통해 구성한 모델을 조합하는 방법이다.
정답 ①
랜덤 포레스트는 중요도를 기준으로 변수를 선택하는 것이 아니라, 무작위로 선택된 일부 변수들에서 최적의 분할을 찾는 방식으로 작동한다. 스태킹(Stacking)은 다양한 학습 알고리즘을 통해 구성한 모델을 조합하는 방법이고, 부스팅은 잘못 분류된 데이터에 더 큰 가중치를 부여하여 개선하는 방식이며, 배깅은 부트스트랩 표본을 생성하고 여러 모델을 학습시켜 결과를 앙상블하는 기법이다.