꿈라CBT다음 <보기>의 두 상황에 적용할 앙상블 전략으로 가장 적절한 것은?
보기
| 상황 | 단일 모델의 진단 | 데이터 특성 |
|---|---|---|
| ㉠ | 깊이 제한 없는 의사결정나무 학습 정확도 1.00 / 검증 0.68 | 라벨 검수 완료, 잡음 거의 없음 |
| ㉡ | 깊이 2로 제한한 의사결정나무 학습 정확도 0.71 / 검증 0.70 | 변수 간 복잡한 상호작용 존재 |
- 1㉠과 ㉡ 모두 부스팅이 적합하다. 부스팅은 편향과 분산을 동시에 줄이므로 어떤 상황에서도 배깅보다 우수하다.
- 2㉠은 학습 정확도가 1.00으로 완벽하므로 앙상블이 불필요하고, ㉡은 두 정확도의 차이가 0.01로 작으므로 이미 최적 상태여서 추가 조치가 필요 없다.
- 3㉠은 분산이 큰 과대적합이므로 나무를 평균 내는 배깅·랜덤 포레스트가, ㉡은 편향이 큰 과소적합이므로 부스팅이 적합하다.
- 4㉠은 편향이 크므로 부스팅을, ㉡은 분산이 크므로 배깅을 적용해야 하며, 두 경우 모두 기반 모델의 깊이는 그대로 유지해야 한다.