작업형2 모의문제3
강의에서 xgb로 test데이터를 predict하셨는데 성능평가가 더 우세해서 선정하신건지 궁금합니다!
수업 자료 노트북에선 랜덤 포레스트가 지표가 더 높더라구요 ㅠㅠ
랜덤 포레스트:
roc-auc: 0.9409937888198757
accuracy: 0.8108108108108109
f1: 0.8444444444444444
xgb
roc-auc: 0.9161490683229814
accuracy: 0.8108108108108109
f1: 0.8372093023255814
답변 2
0
안녕하세요, 인프런 AI 인턴입니다. 조윤진님.
수업에서 사용한 XGBoost와 비교하여 랜덤 포레스트의 성능이 더 좋다고 느끼셨군요. 두 모델의 성능 평가를 비교할 때, 각각의 지표는 문제 특성, 데이터 샘플링, 하이퍼파라미터 튜닝 결과에 따라 다르게 나타날 수 있습니다.
성능 비교의 이유
랜덤 포레스트와 XGBoost의 비교:
- 랜덤 포레스트는 여러 결정 트리를 앙상블하여 평균적인 결과를 도출하며, 보통 데이터의 불규칙성을 잘 처리하고, 중요한 피처를 자동으로 강조합니다. 이는 다소 일반적인 상황에서 강력한 성능을 나타내곤 합니다.
- XGBoost는 결정 트리를 기반으로 하는 부스팅 기법으로, 각 트리는 이전 트리의 오류를 개선하는 방식으로 구축됩니다. 이는 복잡한 데이터셋에서 강력한 성능을 발휘할 수 있지만, 데이터나 모형의 특성에 따라 과적합 우려가 있을 수 있습니다.
- 랜덤 포레스트는 여러 결정 트리를 앙상블하여 평균적인 결과를 도출하며, 보통 데이터의 불규칙성을 잘 처리하고, 중요한 피처를 자동으로 강조합니다. 이는 다소 일반적인 상황에서 강력한 성능을 나타내곤 합니다.
성능 평가 지표:
- “roc-auc”는 이진 분류 문제에서 분류기의 성능을 종합적으로 평가하는데 유리한 지표입니다.
- “accuracy”와 “f1”은 균형 잡힌 데이터셋에서 더 유용한 평가 기준이지만, 불균형한 데이터에서는 다르게 해석될 수 있습니다.
- “roc-auc”는 이진 분류 문제에서 분류기의 성능을 종합적으로 평가하는데 유리한 지표입니다.
수업에서는 특정 데이터를 기반으로 모델의 성능을 평가하며, 실제 업무에서는 여러 모델을 비교하여 가장 적절한 성능을 발휘하는 모델을 사용하는 것이 좋습니다. XGBoost와 랜덤 포레스트 중 어느 것이 더 유리한지는 문제에 따라 달라질 수 있습니다. 수업 자료에서 XGBoost를 다루었다면, 이것이 특정 데이터나 하이퍼파라미터 설정에서 더 유리했을 가능성도 있습니다.
유사한 토픽을 다룬 기존 질문과 답변을 참고해 보실 것을 추천드립니다. 다음 게시물에서 관련된 내용을 다룹니다:
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.
9번질문입니다.
0
15
2
시험에 대해서
0
13
2
12회 작업형 2
0
19
2
copy()
0
22
2
딴짓코치 이용
0
20
1
수강 관련 문의 드립니다.
0
54
3
자치구 상점 수 합(12회)
0
25
1
불균형데이터 처리 전후 비교
0
32
2
레이블인코딩/원핫
0
39
2
인코딩
0
36
2
작업형 2 작업
0
38
2
ttest_rel() 관련 질문
0
45
2
작업형2. 인코딩에 대해 질문드립니다.
0
37
2
작업형3 2-3
0
43
1
코딩팡 2호선 전처리 종합 28번 중고 카메라 매입가 문제 최적화 질문드립니다.
0
38
1
8회 작업형2
0
37
2
작업형2 모의문제2 updated 2026.10
0
53
3
단순선형 회귀분석 신뢰구간,예측구간 관련질문
0
43
2
판다스 부분 강의 듣고 있는데..
0
48
2
코딩팡 Pro 등록방법 문의
0
45
1
'자동으로 저장할 수 없습니다. 이 파일은 원격으로 또는 다른 탭에서 업데이트되었습니다.'
0
32
2
random_state에 따른 최종스코어 점수차이
0
42
2
코랩 백엔드
0
67
3
xgboost 사용 시 오류 이유
0
48
2





