꿈라CBT데이터 불균형(Class Imbalance) 문제에 대한 설명으로 적절하지 않은 것은?
- 1소수 클래스의 데이터를 복제하거나 새로 합성하여 늘리는 오버샘플링을 적용할 수 있다.
- 2클래스 비율이 크게 치우친 데이터에서도 정확도(Accuracy)만으로 모델 성능을 충분히 평가할 수 있다.
- 3다수 클래스의 데이터를 줄이는 언더샘플링은 학습 속도를 높이지만 정보 손실이 발생할 수 있다.
- 4SMOTE는 소수 클래스 표본들 사이를 보간하여 새로운 가상의 데이터를 생성하는 기법이다.