Daniel Park

안녕하세요 수강생님!
결정트리에서는 여러 Feature들을 동시에 함께 보지 않습니다
&nbsp;
키와 소득으로 예를 들어보겠습니다.
키의 단위는 대략 150~190 cm 이고, 소득의 단위는 1,000,000 ~ 1,000,000,000 원이라고 가정해보겠습니다.
&nbsp;
Dicision Tree에서는 이러한 각 feature들을 별도로 다루게됩니다.
즉, 어떠한 학습을 수행할 때 '키의 경우는 168cm에서 나누어야겠다'
'소득의 경우에는 35,000,000원 부근에서 나누어야겠다'
이러한 식으로 각각 판단이 일어나게 됩니다.
&nbsp;
따라서 여러 Feature들을 동시에 고려할때는 꼭 필요한 Scale을 맞추는 normalization 과정을 굳이 하지 않아도 되는 것입니다.

결정트리 지룸ㄴ

안녕하세요 수강생님!
1. MSE와 RMSE의 차이는 루트를 씌움으로써 차이가 발생합니다.&nbsp; 만약 10,000의 error를 보였다면, RMSE의 경우 100의 error인 것입니다.
MSE에서 1~10,000의 에러 값들이 RMSE에서는 1~100으로 그 차이가 좁혀진다고 보시면 될 것 같습니다.
&nbsp;
2. 2를 나누는 것은 단순한 수학적인 트릭입니다. 추후 이러한 MSE등을 미분한 값이 많이 쓰이는데, 이 경우 지수 2가 내려와 분모2와 약분되게 됩니다.
&nbsp;
3. MAE는 제곱항이 아니기 때문에 위와 같은 트릭이 의미가 없기 때문입니다.

질문있습니다.

안녕하세요 수강생님!
조그만 점 부분이 의미하는 것은, 통계적으로 기준치 이상으로 많이 벗어난 outlier 부분을 나타내는 것입니다.
해당 데이터의 경우, 대부분이 위치한 곳에서 멀리 떨어져 있기 때문에, 별도로 표기하였다고 이해하시면 좋을 것 같습니다 :)

Daniel Park

投稿