꿈라CBT앙상블 기법의 원리와 특성에 대한 설명으로 가장 적절하지 않은 것은?
- 1부스팅은 순차적으로 오차를 보완해 나가므로 반복 횟수를 늘릴수록 새로운 자료에 대한 성능도 계속 향상되며, 과적합의 위험은 사실상 없다.
- 2배깅은 서로 독립에 가까운 모델들의 예측을 평균해 분산을 줄이는 데 초점이 있으므로, 개별 모델로는 편향이 낮고 분산이 큰 깊은 나무를 쓰는 것이 일반적이다.
- 3부스팅은 앞선 단계에서 틀린 관측치의 가중치를 높여 순차적으로 보완하므로 편향을 줄이는 데 초점이 있으며, 개별 모델로는 얕은 나무 같은 약한 학습기를 사용한다.
- 4랜덤포레스트가 각 분할에서 후보 변수를 무작위로 제한하는 것은 나무들 사이의 상관을 낮추기 위한 장치이며, 이는 평균 예측의 분산을 더 크게 줄이는 효과가 있다.