ㅁ Ensemble ㅇ 정의: 여러 개의 개별 모델 예측 결과를 결합하여 최종 예측을 수행하는 기법으로, 단일 모델보다 일반화 성능을 향상시키는 것을 목표로 함. ㅇ 특징: – 다양한 모델을 조합하여 편향과 분산을 줄임 – 과적합 위험을 감소시킴 – 계산 비용 증가 가능 ㅇ 적합한 경우: – 단일 모델의 성능이 한계에 도달했을 때 – 데이터가 복잡하고 다양한
ㅁ Ensemble ㅇ 정의: 여러 개의 개별 모델을 조합하여 최종 예측 성능을 향상시키는 기법으로, 서로 다른 알고리즘 또는 동일 알고리즘의 다른 하이퍼파라미터 설정 모델을 결합함. ㅇ 특징: – 개별 모델의 약점을 보완하고 강점을 결합하여 일반화 성능을 높임. – Bagging, Boosting, Stacking 등 다양한 방식 존재. – 과적합 방지와 예측 안정성 향상에 기여. ㅇ 적합한 경우:
ㅁ Ensemble ㅇ 정의: – 여러 개의 약한 학습기(weak learner)를 순차적으로 학습시켜 이전 모델이 잘못 예측한 데이터에 가중치를 부여하며 성능을 향상시키는 기법. ㅇ 특징: – 순차적 학습 방식으로 오차를 점진적으로 줄임. – 각 단계에서 이전 모델의 오분류 데이터에 더 집중. – 과적합 위험이 있으나 적절한 규제 및 조기 종료로 완화 가능. ㅇ 적합한 경우: –
ㅁ Ensemble ㅇ 정의: 여러 개의 개별 모델을 학습시킨 후, 그 예측 결과를 결합하여 최종 예측 성능을 향상시키는 기법. ㅇ 특징: – 모델 간 다양성을 확보하여 과적합을 방지하고 일반화 성능을 향상. – 평균, 투표 등의 방법으로 결과를 결합. – 개별 모델은 병렬로 학습 가능. ㅇ 적합한 경우: – 단일 모델의 성능이 불안정하거나 데이터의 노이즈가 많은
ㅁ 전이학습 ㅇ 정의: 기존에 학습된 모델의 지식을 새로운 데이터셋이나 유사한 문제에 적용하는 기법으로, 특히 데이터 수집이 어려운 경우에 효과적임. ㅇ 특징: – 학습 시간과 비용 절감 – 소량의 데이터로도 성능 향상 가능 – 기존 모델의 일반화된 특징을 활용 ㅇ 적합한 경우: – 목표 도메인 데이터가 적거나 수집 비용이 높은 경우 – 원본 도메인과 목표
ㅁ 전이학습 ㅇ 정의: 기존에 학습된 모델의 가중치와 구조를 활용하여 새로운 데이터셋이나 문제에 적용하는 학습 기법으로, 학습 시간을 단축하고 적은 데이터로도 높은 성능을 낼 수 있음. ㅇ 특징: – 대규모 데이터로 사전 학습된 모델을 기반으로 함 – 모델의 일부 또는 전체 파라미터를 재사용 – 새로운 문제에 맞게 일부 층만 재학습하거나 전체를 fine-tuning 가능 ㅇ 적합한
ㅁ 전이학습 ㅇ 정의: 이미 학습된 모델의 가중치를 기반으로 새로운 데이터셋에 맞게 일부 또는 전체를 재학습하는 기법. ㅇ 특징: – 기존 대규모 데이터로 사전 학습된 모델 활용. – 학습 시간과 데이터 요구량 감소. – 특정 도메인에 맞춰 성능 향상 가능. ㅇ 적합한 경우: – 데이터셋이 작고, 새로운 과제와 기존 사전학습 과제가 유사한 경우. – 컴퓨팅
ㅁ 신경망 구조 ㅇ 정의: 그래프 형태의 데이터를 처리하기 위해 고안된 신경망 구조로, 노드와 엣지의 관계를 학습하여 구조적 패턴을 파악하는 모델. ㅇ 특징: – 노드 간의 연결 관계를 반영하여 학습 가능 – 인접 행렬 또는 인접 리스트를 활용한 연산 구조 – 지역적 이웃 정보 집계(Aggregation)와 갱신(Update) 단계를 반복 ㅇ 적합한 경우: – 소셜 네트워크 분석(사용자
ㅁ 신경망 구조 ㅇ 정의: 인공 신경망에서 입력 데이터의 특징을 학습하고 예측을 수행하기 위해 계층과 노드가 연결된 구조를 의미하며, 특정 목적에 맞게 설계된 네트워크 형태를 말함. ㅇ 특징: – 계층(layer)과 노드(node)의 구성, 연결 방식, 데이터 흐름 방향 등이 설계 요소임 – 특정 작업(자연어 처리, 이미지 인식 등)에 최적화된 구조를 선택함 – 학습 효율과 성능에 직접적인
ㅁ 신경망 구조 ㅇ 정의: 순환신경망(Recurrent Neural Network, RNN)은 시퀀스 데이터 처리에 특화된 인공신경망 구조로, 이전 시점의 출력을 현재 시점의 입력으로 재사용하여 시간적 의존성을 학습하는 모델. ㅇ 특징: – 입력 데이터의 순서를 고려하여 처리함. – 내부에 순환 구조를 가져 과거 정보를 은닉 상태(hidden state)에 저장. – 시계열 예측, 자연어 처리 등 연속성이 있는 데이터에 강점.