문과생CS정복기

배깅(Bagging)Bootstrap Aggregating, 일반적으로 배깅(Bagging)이라고 불리는 이 기법은 Ensemble Learning의 한 방법으로, 모델의 예측 성능을 향상시키고 과적합(overfitting)을 줄이기 위해 사용됩니다. 배깅은 여러 개의 모델을 독립적으로 학습시킨 후, 그 예측 결과를 평균 내거나 다수결 투표를 통해 최종 예측을 도출하는 방법입니다.배깅의 과정데이터셋 샘플링: 원본 데이터셋에서 크기가 같은 여러 개의 부트스트랩(bootstrap) 샘플을 생성합니다. 부트스트랩 샘플은 원본 데이터셋에서 복원 추출(즉, 중복을 허용하여)로 생성됩니다. 각 샘플은 원본 데이터셋과 같은 크기이지만, 중복된 데이터 포인트를 포함할 수 있습니다.모델 학습: 각 부트스트랩 샘플에 대해..

앙상블(Ensemble)은 여러 개의 학습 모델을 결합하여 더 나은 예측 성능을 도출하는 머신러닝 기법입니다. 개별 모델의 약점을 보완하고, 모델의 예측을 종합함으로써 성능을 향상시키는 것을 목표로 합니다. 앙상블 기법은 다양한 모델을 조합하여 더욱 강력하고 견고한 예측을 가능하게 합니다.주요 앙상블 기법배깅(Bagging)배깅은 Bootstrap Aggregating의 줄임말로, 여러 개의 모델을 독립적으로 학습시킨 후 그 결과를 평균 내거나 다수결 투표를 통해 결합하는 방법입니다.각 모델은 원래 데이터셋에서 부트스트랩 샘플링(복원 추출)을 통해 생성된 여러 데이터셋에서 학습됩니다.대표적인 예: 랜덤 포레스트(Random Forest)부스팅(Boosting)부스팅은 여러 약한 학습기(weak learn..