← 패턴 목록배깅 vs 부스팅 + 랜덤포레스트
3과목앙상블
핵심
배깅=동일 가중치(병렬). 부스팅=가중치 부여(순차).
공식
배깅 (Bagging):
- 복원추출, 동일 가중치
- 보팅(다수결) 결합 → 분산 감소
부스팅 (Boosting):
- 오분류 데이터에 큰 가중치
- 순차 학습
랜덤포레스트 = 배깅 + 변수 랜덤 추출
함정: 가중치·결합 방식 뒤바꿈
트리거 키워드
배깅부스팅BaggingBoosting보팅다수결가중치랜덤포레스트
예시
'잘못 분류된 데이터에 더 큰 가중치를 부여하여 순차 학습하는 기법은?' → 부스팅(Boosting)
개념 정리
앙상블 기법 중 배깅(Bagging)은 복원추출로 만든 여러 표본에 동일한 가중치를 주어 병렬로 학습한 뒤 결합하고, 부스팅(Boosting)은 이전에 틀린 데이터에 더 큰 가중치를 부여하며 순차적으로 학습합니다. 랜덤포레스트는 배깅에 변수 무작위 선택을 더한 방법입니다. ADsP에서는 병렬·순차와 가중치 방식을 바꿔 출제하므로 배깅=동일 가중치·병렬, 부스팅=가중치·순차로 구분하세요.
이 패턴을 쓰는 법
3과목 데이터 분석의 앙상블 영역에서 문제 지문이나 보기에 배깅, 부스팅, Bagging, Boosting, 보팅, 다수결, 가중치, 랜덤포레스트 같은 표현이 보이면 이 패턴을 먼저 떠올리십시오. 개념을 처음부터 따지지 않고 위 공식에 대입하는 것만으로 보기를 빠르게 좁힐 수 있습니다. 아래 관련 문항 10개가 모두 같은 방식으로 풀립니다.
관련 문항 10개
- 배깅과 부스팅의 차이로 옳은 것은?배깅은 동일 가중치·보팅, 부스팅은 잘못 분류된 데이터에 큰 가중치입니다.해설 보기 →
- 랜덤포레스트(Random Forest)에 관한 설명으로 옳은 것은?랜덤포레스트 = 배깅 + 변수 랜덤 추출입니다.
- 부스팅(Boosting)의 특성으로 옳지 않은 것은?부스팅은 잘못 분류 데이터에 가중치를 주므로 이상치에 민감합니다.
- 앙상블(Ensemble) 기법을 사용하는 목적으로 옳은 것은?배깅은 분산을 줄이고 부스팅은 편향을 줄인다는 축으로 갈라 봅니다
- 배깅에서 사용하는 부트스트랩 표본의 추출 방식으로 옳은 것은?배깅은 분산을 줄이고 부스팅은 편향을 줄인다는 축으로 갈라 봅니다
- OOB(Out-of-Bag) 데이터에 대한 설명으로 옳은 것은?배깅은 분산을 줄이고 부스팅은 편향을 줄인다는 축으로 갈라 봅니다
- 랜덤포레스트가 각 분기마다 변수의 일부만 무작위로 고려하는 이유로 옳은 것은?배깅은 분산을 줄이고 부스팅은 편향을 줄인다는 축으로 갈라 봅니다
- AdaBoost에서 다음 모형을 학습시킬 때 가중치를 조정하는 방식으로 옳은 것은?배깅은 분산을 줄이고 부스팅은 편향을 줄인다는 축으로 갈라 봅니다
- 그래디언트 부스팅(Gradient Boosting)의 학습 방식으로 옳은 것은?배깅은 분산을 줄이고 부스팅은 편향을 줄인다는 축으로 갈라 봅니다
- 배깅이 모형의 성능을 개선하는 원리로 옳은 것은?배깅은 분산을 줄이고 부스팅은 편향을 줄인다는 축으로 갈라 봅니다