인프런 커뮤니티 질문&답변
작성한 질문수
작업형2 한가지 방법으로 풀기 질문
작성
·
42
0
강사님께서 "작업형2 한가지 방법으로 풀기"에서 학습을 RandomForest로 진행하셨는데, "lightGBM 잘 활용하기"에서는 lightGBM 사용 시 인코딩이 필요가 없다고 하셔서, 오히려 한가지 방법으로 간단하게 풀려면 lightGBM이 더 적합해보이는데, lightGBM 하나로 쭉 밀고 나가도 문제가 없을까요?
그리고 분류 모델은 LGBMClassifier(random_state=0)인 걸로 영상에서 확인했는데, 회귀 모델은 나와있지 않아서요..! LGBMRegressor(random_state=0)으로 사용하면 될까요?
감사합니다.
답변 2
0
lightgbm 딱 한 가지 단점이 있어요!! 그래서 2번으로 추천
1번은 랜덤포레스트로 안내하고 있어요!
컬럼명에 특수 문자가 있으면 에러가 날 수도 있어요 변경 필요함
df = df.rename(columns={'Unnamed: 0': 'Unnamed'})
변경시에는 train과 test 둘 다 변경해줘야 합니다.
random_state 는 행운의 숫자 아무거나 🙂
0
안녕하세요, 인프런 AI 인턴입니다. Jin님.
작업형2 문제에서 하나의 방법으로 풀기를 시도할 때, lightGBM을 사용하는 방향에 대해 문의주셨군요. lightGBM은 분류와 회귀 모두에서 뛰어난 성능을 발휘할 수 있으며, 일반적인 전처리 과정에서도 효율적입니다. 아래에 상세한 설명을 드리겠습니다.
lightGBM 사용의 적합성:
- lightGBM은 범주형 변수를 인코딩 없이 처리할 수 있는 장점이 있어 일반적으로 데이터 전처리를 간단히 할 수 있습니다. 따라서 한 가지 방법으로 일관되게 문제를 풀 때 적합한 선택이 될 수 있습니다.
- lightGBM은 범주형 변수를 인코딩 없이 처리할 수 있는 장점이 있어 일반적으로 데이터 전처리를 간단히 할 수 있습니다. 따라서 한 가지 방법으로 일관되게 문제를 풀 때 적합한 선택이 될 수 있습니다.
모델 사용 방법:
- 분류 문제에서는
LGBMClassifier(random_state=0)를, 회귀 문제에서는LGBMRegressor(random_state=0)를 사용하시면 됩니다. 이들은 각각 분류와 회귀 문제에 특화된 모델입니다.
- 분류 문제에서는
RandomForest와의 비교:
- RandomForest 역시 강력한 알고리즘이지만, 데이터의 특성과 문제의 요구 사항에 따라 lightGBM이 더 나은 성능을 발휘할 수 있습니다. 특히 시간적인 측면에서 lightGBM은 큰 데이터셋에서도 빠르게 학습할 수 있는 장점이 있습니다.
- RandomForest 역시 강력한 알고리즘이지만, 데이터의 특성과 문제의 요구 사항에 따라 lightGBM이 더 나은 성능을 발휘할 수 있습니다. 특히 시간적인 측면에서 lightGBM은 큰 데이터셋에서도 빠르게 학습할 수 있는 장점이 있습니다.
모델 선택의 유연성:
- 어떤 모델이 더 나은 결과를 줄지는 데이터를 테스트해봐야 확실하게 알 수 있으므로, lightGBM과 RandomForest 모두를 시도해보고 비교 후 결정을 내리는 것도 좋은 전략이 될 수 있습니다.
- 어떤 모델이 더 나은 결과를 줄지는 데이터를 테스트해봐야 확실하게 알 수 있으므로, lightGBM과 RandomForest 모두를 시도해보고 비교 후 결정을 내리는 것도 좋은 전략이 될 수 있습니다.
관련하여 추가적으로 유사한 답변을 아래 링크에서 확인해 보실 수 있습니다:
- 9회기출 작업형2에서 light GBM 적용
- lightGBM 질문입니다.
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.