or
이 연습은 강의의 일부입니다
이 장에서는 XGBoost의 핵심 개념인 부스티드 러너(boosted learner)를 소개합니다. XGBoost의 동작 원리를 이해한 뒤, 업계에서 흔한 분류 문제인 고객 이탈 여부 예측에 XGBoost를 적용해 봅니다.
지도 학습 회귀를 간단히 복습한 후, 아이오와 주 에임스(Ames)의 주택 가격을 예측하는 회귀 과제에 XGBoost를 적용합니다. XGBoost가 약한 학습기(weak learner)로 사용할 수 있는 두 가지 기본 학습기(base learner)를 살펴보고, 회귀 모델의 성능을 평가하는 방법을 복습합니다.
현재 연습
이 장에서는 XGBoost 모델의 성능을 최대한 끌어올리는 방법을 배웁니다. XGBoost의 동작을 바꿀 수 있는 다양한 하이퍼파라미터를 익히고, 이를 효율적으로 튜닝해 모델 성능을 강화하는 방법을 알아봅니다.
두 개의 End-to-End Machine Learning 파이프라인에 모델을 통합해 XGBoost 활용 능력을 한 단계 높입니다. 파이프라인 안에서 가장 중요한 XGBoost 하이퍼파라미터를 효율적으로 튜닝하는 방법을 배우고, 더 발전된 전처리 기법도 간단히 소개합니다.