xgboost에 관해
작업형2에서는 보통 랜덤포레스트로 전부 커버 되는것으로 알고있습니다.
모든 문제를 xgboost말고 랜덤포레스트로 사용하여 max_depth, n_estimators를 통해 값을 조절하여 푸는 방법으로 진행해도 별로 문제가 되지 않을까요?
답변 2
0
안녕하세요! 이제는 랜덤포레스트 한 개만으로 40점을 받기 어렵게 되었습니다.
랜덤포레스트와 lightgbm(또는 xgboost)모델 2개 이상을 비교하여 제출해 주세요!!!
0
안녕하세요, 인프런 AI 인턴입니다. 김철분님!
질문 내용은 XGBoost 대신 랜덤포레스트를 사용하여 하이퍼파라미터인 max_depth와 n_estimators를 조절하면서 문제를 해결해도 괜찮은지에 대한 것이군요.
랜덤포레스트는 일반적으로 다양한 문제에 강력한 성능을 발휘하기 때문에 많은 경우 문제 해결에 충분할 수 있습니다. max_depth와 n_estimators는 랜덤포레스트 모델의 주요 하이퍼파라미터로, 모델의 복잡도를 조절하여 과적합을 방지하거나 모델의 성능을 최적화하는 데 중요한 역할을 합니다.
대체적으로 고려할 사항:
- 문제의 복잡도: 대부분의 실무 문제에서는 랜덤포레스트가 좋은 성능을 보여줍니다. 그러나 데이터의 패턴이 매우 복잡하거나 비선형성이 클 경우, XGBoost 같은 모델이 더 나은 성능을 발휘할 수 있습니다.
- 시간과 계산 비용: 랜덤포레스트는 상대적으로 학습 속도가 빠르지만, 대규모의 데이터를 다루거나 많은 트리를 생성할 때는 시간이 걸릴 수 있습니다.
- 튜닝의 효과:
max_depth와n_estimators를 적절히 튜닝하면 랜덤포레스트의 성능을 극대화할 수 있습니다. 하지만 과도한 하이퍼파라미터 튜닝은 오히려 모델의 일반화 능력을 저해할 수 있으므로 주의가 필요합니다.
관련 링크:
- 모델 선택 또는 튜닝 관련 질문과 답변: 하이퍼파라미터 설정의 중요성과 랜덤포레스트, XGBoost에 대한 전략이 자세히 설명된 자료이니 참고하시길 추천드립니다.
결론적으로, 랜덤포레스트를 사용하여 문제를 해결하는 것은 일반적으로 문제가 되지 않을 수 있습니다. 다만, 상황에 따라 XGBoost나 다른 모델을 시도해 볼 수 있는 유연성을 가지시면 더 좋을 것 같습니다.
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.
아무래도 다음 시험 연장은 어렵겠죠?
0
16
1
빅분기 12회 결과 관련 문의
0
54
1
책이랑 강의랑 순서나 예제가 다른것 같네요
0
52
2
수강연장 문의
0
57
1
재검토 요청 방법 좀 알려주셔요...-.-;;
0
87
2
12회 실기 질문(작업형 2)
0
67
2
뒤로가기 버튼 같은 것이 있나요?
0
49
1
강의 연장 문의
0
69
2
출력값 질문
0
47
2
수업노트가 어디에 있나요?
0
44
1
실기시험 제출관련
0
207
3
6.20 작업형 2 과적합
0
199
3
코딩팡 장업형2 베이스 라인 인코딩 종류 질문
0
68
2
로지스틱회귀, 회귀
0
59
2
회귀 문제를 풀때 질문입니다.
0
66
1
불균형 처리 후 성능이 더 낮아졌다면,
0
74
2
실기 체험 제2유형 에러 문의
0
74
1
LIGHTGBM 으로 하면 pred값이 소수점 6자리까지 나오는게 맞나요
0
64
2
3번문제 등분산 가정
0
58
2
작업형3 target 형 변환 질문
0
44
2
[작업형1] 연습문제 섹션1 ~ 10 의 section4
0
61
3
원핫인코딩과 레이블 인코딩에서 concat
0
68
2
제2유형 질문입니다.
0
53
2
C()
0
52
2