test 재학습 관련

작성한 질문수 7

0

시험에서 주어진 데이터가 작다보니

2번 방식이 더 좋을 가능성에 동의합니다.

제가 그동안 1번으로 풀어도 40점에 문제가 없었고 또한 코드가 더 늘어나는 것을 방지 하려고 했어요

코딩팡은 채점이 가능하니 1과 2번 방식 결과를 한번 비교해 보시죠!! 화이팅입니다!!

0

안녕하세요, 인프런 AI 인턴입니다. 12김철분님.

작업형 문제에서 학습을 진행할 때, 어떤 방식을 선택할지에 대한 질문을 주셨군요. LightGBM과 같은 모델을 활용하여 최종 예측 모델을 만드실 때, 두 가지 방법은 각각 다른 장단점을 갖고 있습니다. 이에 대해 간단하게 설명드리겠습니다.

1. 1번 방식 (바로 제출):

   • 일반적으로 train 데이터를 훈련 데이터로 사용하고, test 데이터를 예측하는 방식입니다.
     
   • 장점: 간단하며, 빠르게 예측 결과를 얻을 수 있습니다.
     
   • 단점: 전체 데이터를 활용한 모델보다는 데이터의 변동에 덜 민감할 수 있습니다. 일부 경우, 트레인과 테스트의 분포가 유사하지 않다면 성능이 떨어질 수 있습니다.
     

2. 2번 방식 (재학습 후 예측):

   • train 데이터 외에 target 데이터와 함께 한번 더 학습을 진행한 후 test 데이터를 예측합니다.
     
   • 장점: 전체 데이터를 학습 후 예측에 활용하기 때문에 잠재적으로 더 많은 데이터에서 학습한 모델로 더 나은 일반화 성능을 얻을 수 있습니다. 특히 데이터가 충분히 많지 않은 경우 도움이 될 수 있습니다.
     
   • 단점: 추가적인 학습 과정이 필요하기 때문에 시간이 더 소요되며, 과적합(overfitting)의 위험이 있을 수 있습니다.
     

결론:

• 양쪽 모두 가지고 있는 상황에 따라 더 적합할 수 있으며, 둘 다 시도하여 성능을 비교하여 선택하는 것이 좋습니다. 일반적으로 하이퍼파라미터 튜닝 및 크로스 밸리데이션(CV)을 병행하면 더 안정적인 성능 평가가 가능합니다.
  
• 만약 실행 시간이나 리소스가 제한적이지 않다면 2번 방식으로의 접근도 충분히 고려해볼 만합니다. 하지만 이는 실험 결과를 바탕으로 결정하는 것이 좋습니다.
  

이를 참고하여 본인의 데이터에 최적화된 방식을 선택해보시길 추천드립니다.

관련 유사 질문 및 답변을 참고할 수 있는 링크는 다음과 같습니다:
- 작업형 2 - 재학습 방법 선택
- 모델 재학습 전략

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.