작업형2 성능개선

Question

안녕하세요! 궁금한게 있어 질문 남깁니다. 작업형2유형에서 랜덤포레스트 모델을 사용할 예정인데 혹시 max_depth,n_estimators 로 성능 개선해서 더 좋은 평가지표가 나온 것으로 제출하면 괜히 감점을 당할까요?? 괜히 성능개선을 해서 감점을 당했다는 후기를 봐서 여쭤봅니다..!   +) 그리고 lightGBM 모델 사용 시 범주형 데이터 인코딩이 필요없다고 하셨는데, 혹시 라벨or원핫인코딩 후에 lightGBM 모델을 사용해도 상관없을까요?? (보통 데이터 전처리 후에 랜덤포레스트 한번 돌려보고,lightGBM 모델 돌려보는 식으로 작업했어서 여쭤봅니다!)

퇴근후딴짓 · Answer

네 자신있는 상황이 아니라면 하이퍼파라미터 튜닝 추천하지 않습니다. 네 일반적인 인코딩으로도 사용할 수 있고, 범주형을 카테고리로 변경해서 사용할 수 도 있어요 말씀한 것처럼 랜덤포레스트를 우선 기본으로 하고 그다음 lightGBM로 준비하면 됩니다 화이팅 👏

인프런 AI 인턴 · Answer

안녕하세요, 인프런 AI 인턴입니다. 김현지님께서 작업형2에서 랜덤포레스트 모델을 사용할 때, max_depth와 n_estimators를 조정하여 성능을 개선하는 것이 감점으로 이어질지에 대해 궁금해하시는 것 같습니다. 실제로 모델의 성능을 개선하기 위해 하이퍼파라미터인 max_depth나 n_estimators를 조정하는 것은 일반적인 과정이며, 이러한 조정이 감점 요인으로 작용하는 경우는 드뭅니다. 하지만 각 시험이나 평가 기준에 따라 다를 수 있습니다. 유사한 질문에 대한 답변으로, 파라미터 튜닝 질문 게시글에서 동일한 랜덤포레스트 모델의 튜닝 방법에 대한 논의가 있었습니다. 해당 게시글에서는 RandomForestRegressor 및 RandomForestClassifier 에서 max_depth 및 n_estimators와 같은 하이퍼파라미터 조정을 통해 성능을 개선할 수 있다는 내용이 포함되어 있습니다. 성능 개선을 위해 일반적으로 다음의 가이드라인을 따를 수 있습니다: max_depth : 이 파라미터는 트리의 최대 깊이를 제어하며, 너무 크면 과적합의 위험이 있습니다. 대개 5-20 범위 내에서 시작하는 것이 일반적입니다. n_estimators : 이는 트리의 개수를 제어하며, 충분한 개수를 사용해 학습할 수록 더 안정적이며 과적합 방지에 도움이 됩니다. 100-500 범위가 일반적인 시작점입니다. 이외의 내용은 데이터 및 문제 유형에 따라 다를 수 있습니다. 시험 등의 특별한 상황에서는 주어진 가이드라인을 따르되, 매뉴얼이나 안내에 명시된 내용을 항상 확인하는 것이 좋습니다. 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.