두 앙상블 방법인 bagged trees와 random forest의 가장 큰 차이는 무엇인가요?
이 연습은 강의의 일부입니다
이론을 실습으로 바꾸는 인터랙티브 연습 중 하나를 만나보세요
진짜 Machine Learning 파이프라인을 만들어 볼 준비가 되셨나요? 단계별 연습을 통해 의사결정나무를 만들고, 데이터를 분할하며, 당뇨병에 걸릴 가능성이 높은 환자를 예측하는 방법을 배워요. 마지막으로, 모델을 평가하고 예측을 판단하기 위한 성능 지표도 구축합니다.
달콤한 예제가 준비됐어요! 초콜릿 평점 데이터셋으로 회귀 나무를 만들고, 적절한 오류 지표를 사용해 성능을 평가해 보세요. 교차 검증 같은 달콤한 기법을 적용해 단일 학습/테스트 분할의 통계적 불확실성을 극복하고, 편향-분산 균형도 더 깊이 다뤄 봅니다.
이제 하이퍼파라미터 튜닝과 ROC 곡선 해석을 본격적으로 진행할 때예요. 배깅과 랜덤 포레스트 같은 앙상블 모델로 ‘집단 지성’을 활용하고, 어떤 신용카드 고객이 이탈할 가능성이 높은지 예측하는 앙상블을 구축합니다.
현재 연습
트리 기반 모델의 정수로 가 볼까요? 그래디언트 부스팅을 적용해 지금까지 보거나 만들어 본 것보다 더 뛰어난 성능을 내는 강력한 앙상블을 구축합니다. 미세 조정 방법을 익히고, 다양한 모델을 비교해 운영 환경에 배포할 최종 우승 모델을 고르는 방법을 배워요.
