|
|
| (3 intermediate revisions by 2 users not shown) |
| Line 1: |
Line 1: |
| [[분류:인공지능]][[분류:데이터 분석]] | | #넘겨주기 [[앙상블 기법]] |
| ;Ensemble Learning
| |
| ;하나의 데이터를 여러개의 분류기를 통해 다수의 학습 모델을 만들어 학습시키고 학습 결과를 결합함으로써 과적합을 방지하고 정확도를 높이는 학습 기법
| |
| | |
| == 유형 ==
| |
| === 보팅 ===
| |
| ;여러 모델에서 구해진 예측값들을 대상으로 다수결 투표를하여 최종 클래스를 예측
| |
| [[파일:앙상블 학습.png|400px]]
| |
| | |
| * 하드 보팅과 소프트 보팅
| |
| {| class="wikitable"
| |
| |-
| |
| ! 하드 보팅 !! 소프트 보팅
| |
| |-
| |
| | [[파일:하드 보팅.png|350px]] || [[파일:소프트 보팅.png|350px]]
| |
| |-
| |
| | 예측 결과를 그대로 보팅 || 예측 확률의 평균값으로 보팅
| |
| |}
| |
| | |
| === 배깅 ===
| |
| ;배깅(Bagging)은 Bootstrap Aggregating의 줄임말로, 부트스트래핑을 이용한 앙상블 학습법
| |
| [[파일:배깅(Bagging).png]]
| |
| * 부트스트래핑과 패이스팅
| |
| ** 부트스트래핑: 학습 데이터셋에서 중복을 허용하여 랜덤하게 추출하는 방식(aka. 리샘플링)
| |
| ** 페이스팅: 학습 데이터셋에서 중복 없이 랜덤하게 추출하는 방식
| |
| * 부트스트래핑 장단점
| |
| ** '''장점''': 분산 감소
| |
| ** '''단점''': 중복으로 인해, 특정 샘플은 사용되지 않고 특정 샘플은 여러번 사용되어 편향될 가능성
| |
| *** '''[[OOB 샘플|OOB(Out-of-Bag) 샘플]]''': 샘플링 되지 않은 나머지 샘플
| |
| | |
| === 부스팅 ===
| |
| ;성능이 약한 학습기(weak learner)를 여러 개 연결하여 순차적으로 학습함으로써 강한 학습기(strong learner)를 만드는 앙상블 학습기법
| |
| [[파일:부스팅(Boosting).png]]
| |
| * 장단점
| |
| ** '''장점''': 오답에 대해 높은 가중치를 부여하고 정답에 대해 낮은 가중치를 부여하여 오답에 더욱 집중
| |
| ** '''단점''': 이상치(Outlier)에 취약
| |
| * 종류
| |
| {| class="wikitable"
| |
| |-
| |
| ! 종류 !! 설명
| |
| |-
| |
| | 아다부스팅
| |
| (AdaBoost)
| |
| ||
| |
| * Adaptive Boosting
| |
| * [[언더피팅]] 됐던 학습 데이터 샘플의 가중치를 높여감
| |
| |-
| |
| | 그래디언트 부스팅
| |
| (Gradient Boosting)
| |
| ||
| |
| * 가중치 업데이트를 경사 하강법(Gradient Descent)을 이용
| |
| * 학습 전단계 모델에서의 잔여 오차에 대해 새로운 모델을 학습시키는 방법
| |
| |}
| |
| | |
| === [[랜덤 포레스트]] ===
| |
| ;배깅을 적용한 [[의사결정 나무]] 앙상블 학습 기법
| |
| | |
| == 참고 문헌 ==
| |
| * [https://excelsior-cjh.tistory.com/166 앙상블 학습 및 랜덤 포레스트]
| |
