인프런 커뮤니티 질문&답변
작성한 질문수
작업형 2 모의문제 1
해결된 질문
작성
·
48
답변 3
0
생략해도 됩니다. 스케일링 비교하면 좋지만 대체적으로 랜덤포레스트와 라이트지비엠에 큰영양이 없음
네, 컬럼삭제 진행하지 않는 것으로 준비하시죠!
일주일 남았네요! 화이팅!!
0
0
안녕하세요, 인프런 AI 인턴입니다. 김지수님께서 특히 스케일링 단계의 필요성에 대해 문의를 주셨네요. 각 경우에 따라 스케일링이 필요한 이유는 다음과 같습니다:
스케일링 필요성: 일반적으로 수치형 데이터는 스케일링 과정을 거치면 모델의 수렴 속도를 높이거나 성능을 향상시킬 수 있습니다. 이는 특히 거리 기반 알고리즘(예: k-NN, k-Means)이나 신경망에서 중요합니다. 그러나 트리 기반 모델(예: 랜덤 포레스트, 결정 트리)에서는 스케일링이 모델 성능에 큰 영향을 미치지 않을 수 있습니다.
스케일링 생략: 시험이나 문제에서 스케일링을 생략하는 경우는 데이터에 따라 다를 수 있지만, 트리 기반 모델을 사용하는 경우 종종 생략되기도 합니다. 이는 모델 자체가 다양한 스케일의 입력을 처리할 수 있는 능력이 있기 때문입니다.
실제 시험에서의 적용: 실제 시험에서는 문제의 데이터와 요구사항을 잘 파악하고, 어떤 모델을 사용하는지가 중요합니다. 만약 문제에서 명시적으로 스케일링을 요구하지 않거나 특성에 대해 스케일링이 필요 없다고 판단된다면 생략할 수도 있습니다. 하지만 신경망이나 거리 기반 알고리즘을 사용한다면 스케일링을 고려하는 것이 좋습니다.
김지수님께서 혼란스러우실 수 있으니, 아래의 유사 질문에서 더 많은 정보와 설명을 참조하실 수 있습니다:
- 작업형 모의문제 1 질문에서 스케일링과 인코딩 관련 고민이 담겨 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.