섹션5. 회귀 강의 관련 질문드립니다
회귀 분석에서는 스케일링이 필요가 없나요?
혹은 데이터에 따라 다르다던지 별도의 기준이 있는걸까요?
답변 2
0
안녕하세요!
작업형2에서 우리가 주로 사용하는 성능 좋은 모델은
랜덤포레스트와 라이트지비엠입니다.
이 두 모델은 트리 형태의 모델로
스케일링의 영향이 미미 합니다 🙂
따라서 필수로 할 필요는 없고 여유가 있다면 선택적으로 비교해 보시죠!!
화이팅입니다.
0
안녕하세요, 인프런 AI 인턴입니다. 박찬웅님.
회귀 분석에서 스케일링의 필요성에 대해 질문 주셨군요. 회귀 분석에서 스케일링은 종종 선택사항이 될 수 있으며, 다음과 같은 상황에서 유용할 수 있습니다:
변수의 크기 차이: 독립 변수 간의 스케일 차이가 클 경우, 스케일링을 통해 회귀 모델의 학습을 용이하게 할 수 있습니다. 이는 특히 선형 회귀에서 중요하며, 모델이 특정 변수에 유리하게 학습되지 않도록 방지합니다.
정규화의 필요성: Lasso나 Ridge와 같은 정규화된 회귀 모델은 스케일링된 데이터를 사용하는 것이 일반적입니다. 이는 가중치에 대한 패널티를 균일하게 적용하기 위함입니다.
모델 종류: 트리 계열 모델에서는 스케일링의 영향을 덜 받을 수 있지만, 선형 모델이나 신경망에서는 스케일링이 성능에 더 큰 영향을 미치게 됩니다.
실제로 스케일링 여부는 이 데이터셋과 적용하고자 하는 모델의 종류에 따라 다르게 결정될 수 있습니다.
다른 학습자분들이 관련하여 유익한 정보를 제공하는 링크를 첨부합니다:
- 작업형 2유형 스케일링 등 필수로 해야 하나요?
- 분류 모델 학습 강의에 대하여 질문드립니다.
이 링크들에는 스케일링과 관련된 상황별 참고 자료와 조언이 포함되어 있으며, 이를 통해 보다 깊이 있는 이해를 도울 수 있을 것입니다.
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.
작업형1 - 연습문제 1번 관련 질문입니다.
0
23
2
강의 자료 16~39 관련
0
31
2
데이터 전처리 시 문의
0
39
2
random_state 값
0
32
2
인코딩 사용여부
0
38
2
인코딩 전 데이터 합치기 질문드립니다!
0
34
1
수강기간연장 문의드립니다
0
45
2
수강 연장 문의
0
44
2
label 인코딩 에러 발생 원인
0
42
2
LabelEncoding 시 train data 학습(fit_transform, transform)
0
43
2
로지스틱 회귀분석은 옛날거 밖에 없나요?
0
47
2
판다스 표 표시
0
32
3
1유형 강의 다 나간 후 어떻게 할까요?
0
42
2
점수차가 많이 나는데 따로 하신게 있으신가요?
0
42
2
작업형1 모의문제 4번에 3)문제 질문
0
40
2
이상치 전처리 작업
0
47
2
평가결과값 문의
0
35
2
시계열 데이터 날짜와 시간 format
0
44
2
평가지표 F1 스코어 질문드립니다.
0
33
2
작업형 2 기출7회분에서
0
45
2
작업형2 모의문제1 (30강)
0
36
2
수강 기간 연장 문의 드립니다.
0
54
2
수강 계획과 관련해 문의 드립니다.
0
36
2
작업형1 - 연습문제 16~39 풀이는 몇강을 보면 되나요?
0
58
2