일 | 월 | 화 | 수 | 목 | 금 | 토 |
---|---|---|---|---|---|---|
1 | 2 | 3 | 4 | 5 | ||
6 | 7 | 8 | 9 | 10 | 11 | 12 |
13 | 14 | 15 | 16 | 17 | 18 | 19 |
20 | 21 | 22 | 23 | 24 | 25 | 26 |
27 | 28 | 29 | 30 |
Tags
- 관세 설명
- 취업사이트 정리
- 25년 3월 증시 분석
- Cudnn 버전 확인
- python pandas
- 스코어카드 예시
- 주식 데이터 수집
- 연체 css
- 2025년도 미국 관세
- Python Numpy
- 연체용어
- css 리스크
- 25년 3월 11일 미국 증시 분석
- jupyter notebook PDF
- 미국 증시 분석
- 트럼프 미국 관세
- 25년 3월 미국 증시 분석
- css risk
- css 리스크관리
- 스코어카드 만드는법
- 2025년 3월 6일 미국 증시 분석
- 미장 분석
- 미국 시황
- 미국 투자 분석
- 딥러닝
- 트럼프 2025년 미국 관세
- 미국 증시 방향성
- 딥러닝 제대로 시작하기
- 코딩 사이트 정리
- 25년 3월 12일 미국 증시 분석
Archives
- Today
- Total
koos808
배깅(Bagging)과 부스팅(Boosting) 본문
728x90
반응형
-
배깅과 부스팅
-
Boosting은 Bagging과 유사하게 초기 샘플 데이터를 조작하여 다수의 분류기를 생성하는 기법 중 하나지만 가장 큰 차이는 순차적(Sequential)방법이라는 것입니다.
-
앞서 살펴본 bagging의 경우 각각의 분류기들이 학습시에 상호 영향을 주지않고 학습이 끝난 다음 그 결과를 종합하는 기법이었다면, Boosting은 이전 분류기의 학습 결과를 토대로 다음 분류기의 학습 데이터의 샘플가중치를 조정해 학습을 진행하는 방법입니다.
-
-
장단점
-
이러한 이유로 이전 학습의 결과가 다음학습에 영향을 주게 되고 부스팅 라운드를 진행할수록 m차원 공간의 분류경계선(Borderline)상의 데이터의 가중치가 증가하게 되는 결과를 가져오게 됩니다.
-
일반적으로 부스팅 알고리즘은 의사결정나무(Decision Tree)모형을 주로 사용하는 것으로 알려져 있고 과적합(Over fitting)에 강한 장점을 갖고 있습니다. 하지만 다른 앙상블 모형과 마찬가지로 분류결과에 대한 해석이 불가능하다는 단점을 갖고 있습니다.
-
728x90
반응형
'Statistics' 카테고리의 다른 글
성능평가지표, 모델 평가 방법 Python Code (0) | 2020.09.28 |
---|---|
코사인 유사도(cosine similarity) + python 코드 (0) | 2020.09.25 |
1종 오류와 2종 오류 (0) | 2020.07.05 |
P-value 정의와 이해 (0) | 2020.07.05 |
신뢰구간(Confidence Interval) (0) | 2020.07.05 |
Comments