문제
다음 중 앙상블 모형의 배경에 대한 설명으로 옳지 않은 것은?
① 배깅은 모델의 분산을 감소시켜 과대적합(Overfitting)을 증가시킬 수 있다. ② 배깅은 부트스트랩(Bootstrap)으로 데이터의 다양성을 확보한다. ③ 배깅은 종속변수가 범주형 데이터의 경우 하드보팅을 적용한다. ④ 대표적인 배깅방식은 랜덤 포레스트(Random Forest)알고리즘이다.
정답
1번
해설
정답: 1. 배깅(Bagging)은 부트스트랩 표본으로 여러 모델을 만들어 평균·투표함으로써 분산을 줄여 과대적합을 ‘완화’한다. ‘과대적합을 증가시킬 수 있다’는 설명은 옳지 않다.
오답 풀이
- 1번: 배깅은 분산을 줄여 과적합을 완화하므로 ‘증가시킨다’는 옳지 않다.
- 2번: 부트스트랩으로 표본 다양성을 확보하는 것은 배깅의 핵심으로 옳다.
- 3번: 분류(범주형 종속변수)에서는 다수결(하드보팅)로 결합하므로 옳다.
- 4번: 랜덤 포레스트는 배깅에 변수 임의 선택을 더한 대표적 배깅 계열 알고리즘으로 옳다.
보충 개념 앙상블 — 배깅(병렬·분산 감소, 예: 랜덤포레스트), 부스팅(순차·편향 감소, 예: AdaBoost·GBM), 스태킹(메타 결합).