앙상블(Ensemble) : Bagging의 RandomForest (분류모델 정확도 높이기)

앙상블(Ensemble) : Bagging의 RandomForest (분류모델 정확도 높이기)에 대한 포스팅입니다. 1. 앙상블 학습(Ensemble Learning) 복잡하고 큰 데이터 셋을 이용하여 모델링을 할 때에는 더 나은 성능을 위해 여러 모델을 결합하는 앙상블 학습(ensemble learning)이 필요하게 됩니다.

분류 모델인 Decisiontree의 경우 복잡한 데이터를 가지고 모델링을 하면, 깊이가 깊어져 일반화가 감소하는 과적합(overfitting)의 문제, 예측의 정확도(accuraty) 감소하는 등의 문제가 발생하기 때문입니다. 앙상블 학습의 예로는 다음과 같이 있습니다.

이 중에서 많이 쓰이는 bagging의 예인 랜던포레스트에 대해 포스팅하겠습니다. 2. 랜덤 포레스트 소개 1) 랜덤 포레스트란?

랜덤 포레스트는 샘플링된 데이터를 가지고 여러 개의 DecisionTree 모델을 만들어, 각 모델의 예측 결과에 대해 가장 많은 값을 최종 예측값으로 선정하는...

요청 처리 중입니다...

앙상블(Ensemble) : Bagging의 RandomForest (분류모델 정확도 높이기)

등록된 다른 글