꿈라CBT아래는 어느 의사결정나무를 최대 깊이를 달리하여 학습한 결과이다. 이에 대한 판단으로 가장 적절하지 않은 것은?
보기
| 최대 깊이 | 학습 정확도 | 검증 정확도 |
|---|---|---|
| 3 | 0.82 | 0.80 |
| 6 | 0.93 | 0.86 |
| 10 | 0.99 | 0.79 |
- 1깊이 10에서 학습 정확도 0.99와 검증 정확도 0.79의 격차가 매우 크므로, 과적합이 발생한 것으로 판단할 수 있다.
- 2검증 정확도가 가장 높은 깊이 6 수준까지 나무를 줄이면 학습 정확도는 낮아지지만, 새로운 자료에 대한 성능은 오히려 좋아진다.
- 3사후 가지치기는 나무를 끝까지 키운 뒤 잘라내는 방식이므로, 성장 도중에 멈추는 사전 가지치기보다 계산 비용이 적게 든다.
- 4사전 가지치기는 계산이 가볍지만, 당장의 이득은 작아도 뒤이은 분할에서 크게 좋아질 수 있는 가지를 미리 잘라 버릴 위험이 있다.