꿈라CBT어느 분석가가 라벨이 잘못 붙은 관측치가 일부 섞여 있는 자료에 배깅과 부스팅을 각각 적용했더니, 부스팅의 검증 성능이 반복이 진행될수록 오히려 나빠졌다. 이에 대한 설명으로 가장 적절하지 않은 것은?
- 1부스팅은 앞선 모형이 틀린 관측치의 가중치를 키워 가므로, 라벨이 잘못 붙은 관측치에 점점 더 집중하게 되어 성능이 나빠질 수 있다.
- 2라벨이 잘못된 관측치는 부스팅이 진행되면서 가중치가 점점 낮아지므로, 반복을 충분히 오래 하면 자연히 무시되어 그 영향이 사라진다.
- 3배깅은 서로 다른 부트스트랩 표본으로 학습한 모형들의 예측을 평균하므로, 개별 잡음의 영향이 희석되어 상대적으로 안정적인 편이다.
- 4배깅에서는 각 부트스트랩 표본에 뽑히지 않은 관측치(약 37%)를 이용해 별도의 검증 자료 없이도 성능을 추정할 수 있다.