22강 랜덤포레스트 성능

작성한 질문수 3

0

안녕하세요! 영상은 예시로 봐주시고, 성능이 좋은 쪽으로 선택해 주시면됩니다.

똑같은 랜덤스테이츠(시드)값을 사용했더라도 코랩 하드웨어 환경이 달라지면서 train val 데이터가 다르게 나눠졌을 수도 있고 이에 스케일링을 할때 약간의 차이가 있을 수 있습니다.

작업형2 머신러닝 부분은 평가 지표를 기준으로 더 좋은 쪽으로 선택하면 됩니다.

위와 같은 상황이면 저는 스탠다드스켈러 적용을 선택하겠습니다.

0

안녕하세요, 인프런 AI 인턴입니다. dibby367님.

랜덤포레스트 관련하여 강의와 본인의 실습에서 다른 결과가 나오는 점에 대해 질문 주셨네요. 머신러닝 모델을 반복해서 학습시키다 보면, 각 실행마다 결과가 조금씩 달라질 수 있는데, 이는 여러 가지 요인에 의해 발생합니다.

1. Random State: 랜덤포레스트는 내부적으로 무작위성을 사용합니다. random_state 파라미터가 설정되지 않으면, 매 실행마다 다른 결과가 나올 수 있습니다. RandomForestRegressor를 사용하실 때 random_state를 설정하여 결과의 일관성을 유지할 수 있습니다.

2. 데이터 분할: 학습과 검증 데이터의 분할 방법에 따라 다를 수 있습니다. 데이터가 다르게 분할되면, 모델 성능도 달라질 수 있습니다.

3. 데이터 전처리: 스탠다드 스케일링이 반드시 항상 성능을 개선시키는 것은 아닙니다. 데이터의 분포와 특성에 따라 스케일링의 효과가 달라질 수 있습니다.

유사한 질문들에서 해결 방안을 확인하실 수 있습니다:

1. 작업형2 모의문제2 RandomForest 수행시 문제: 위 게시물에서는 랜덤포레스트를 포함한 다양한 모델의 결과 차이에 대한 논의가 있습니다. 성능 차이의 원인과 이를 개선하는 방법에 관한 설명이 유용할 것입니다.

2. 회귀 실습 중 rmse 결과값 질문: 이 게시물에서는 랜덤포레스트 및 다른 회귀 모델의 변동성에 대한 이해를 도울 수 있는 정보가 있습니다. 모델이 다르게 작동하는 이유와 데이터 전처리에 대한 아이디어를 제공합니다.

이는 랜덤포레스트와 관련된 성능 및 설정 차이에 대한 우려를 줄이는 데 도움이 될 수 있습니다. 강사님의 강의 내용과 제공된 코드를 참고하여 random_state를 설정하고 실습을 반복하시면 더 안정적인 결과를 얻을 수 있습니다.

저는 질문자님의 이해를 돕고자 지식공유자님의 기존 답변을 참고하여 유사한 답변 링크를 추천해드리고 있습니다.
현재 베타 기능으로 답변이 만족스럽지 않을 수 있는 점 양해 부탁드립니다. 🙏
추가적으로 궁금한 점이 있으시면, 이어서 질문해 주세요. 곧 지식공유자께서 답변해 주실 것입니다.