big_2_2_1

Multiple Choice

다음 중 분석 모형 평가에 대한 설명으로 가장 적절하지 않은 것은?

• 구축한 분석모형의 유용성을 판단하고 서로 다른 모형들을 비교 평가하는 과정이다.

• 구축한 분석모형이 실무에서 사용이 가능할 수 있을지를 판단하기 위해서는 주관적 평가 지표를 통한 평가가 필요하다.

• 분석모형은 구축하는 것으로 끝나는 것이 아니라 기존 운영시스템과의 연계 및 통합을 통해서 지속적으로 모형을 개선해 나가야 한다.

• 일반화 가능성, 효율성, 예측과 분류의 정확성으로 구분한다.

Multiple Choice

데이터 분석 모형의 성능을 평가하기 위한 기준 선택 시 고려 사항이 아닌 것은?

• 데이터 분석결과의 일반화 가능성

• 성능 평가 기준의 적합성

• 수행 중인 데이터 분석 모형의 타당성

• 사용된 학습 및 훈련 데이터의 정확성

Multiple Choice

다음 특징을 가지는 성능 평가지표로 옳은 것은?

=======================================

· 분류 목적의 머신러닝 모형 성능 평가 시 활용

· 분류 정확도의 평가지표로 사용

· 분류의 예측 범주와 데이터의 실제 분류 범주 활용

· 교차표 형태로 표현

• 교차 행렬

• 혼합 행렬

• 회귀 행렬

• 혼동 행렬

Multiple Choice

다음 중 혼동 행렬(Confusion Matrix)에 대한 설명으로 올바르지 않은 것은?

• 혼동 행렬은 참과 거짓으로 분류하는 규칙을 가진 모델에 대해 만들 수 있으며, 2가지 이상 되는 분류 문제에도 적용될 수 있다.

• 혼동 행렬은 분석 결과를 교차표(Cross Table)형태로 정리한 일종의 정오 분류표로 오차 행렬이라고도 한다.

• 혼동 행렬에서 True/False는 예측한 값, Positive/Negative는 예측한 값과 실제값의 비교 결과이다.

• 혼동 행렬에서 FP(False Positive)는 통계상 거짓긍정(1종 오류), FN(False Negative)는 거짓부정(2종 오류)을 말한다.

Multiple Choice

다음 중 혼동 행렬(Confusion Matrix)에서 산출 가능한 평가지표가 아닌 것은?

• 정분류율

• 특이도

• 지지도

• 재현율

Multiple Choice

다음은 혼동 행렬을 나타내는 표이다. ⓐ와 ⓑ에 들어갈 분류 값으로 가장 올바른 것은?

• ⓐ: TP(True Positive), ⓑ: TN(True Negative)

• ⓐ: TP(True Positive), ⓑ: FP(False Positive)

• ⓐ: FN(False Negative), ⓑ: TN(True Negative)

• ⓐ: FN(False Negative), ⓑ: FP(False Positive)

Multiple Choice

트위터 데이터로 감성 분석을 수행하여 메시지의 긍정과 부정을 분류하는 모델을 수립하였다. 분석을 수행한 결과가 아래의 표와 같이 주어졌을 때 모델의 정확성을 평가하는 정밀도(precision)와 모델의 완전성을 평가하는 재현율(recall)을 올바르게 계산한 것은? (소수 세번째 자리에서 반올림)

• Precision: 0.83 / Recall: 0.15

• Precision: 0.92 / Recall: 0.86

• Precision: 0.83 / Recall: 0.92

• Precision: 0.15 / Recall: 0.83

Multiple Choice

아래의 혼동 행렬에서 모델의 완전성을 평가하는 재현율(recall)과 모델의 정확성을 평가하는 정밀도(precision)을 올바르게 계산한 것은?

• 재현율 = $$\frac{3}{5}$$  

  정밀도 = $$\frac{1}{3}$$  

• 재현율 = $$\frac{3}{5}$$  

  정밀도 = $$\frac{3}{7}$$  

• 재현율 = $$\frac{4}{7}$$  

  정밀도 = $$\frac{2}{3}$$  

• 재현율 = $$\frac{4}{5}$$  

  정밀도 = $$\frac{2}{5}$$  

Multiple Choice

다음의 혼동 행렬를 이용하여 구한 F1 값은 얼마인가?

• 4/10

• 18/57

• 6/19

• 7/11

Multiple Choice

다음 특징을 가지는 모형의 성능 평가지표는?

===================================

● 정밀도와 재현율(민감도)를 하나로 통합한 지표

● 정밀도와 재현율(민감도)의 조화평균

● 0~1의 값을 가짐

● 정밀도와 재현율(민감도)가 모두 큰 값을 가지는 경우, 이 값도 큰 값을 가짐

• 정확도(Accuracy)

• 카파 통계량(Kappa Statistic)

• Fl-Score

• 특이도(Specificity)

Multiple Choice

ROC(Receiver Operating Characteristic) 그래프에서 이상적으로 완벽히 분류한 모형의 X축과 Y축 값으로 옳은 것은? (X값, Y값)

• (0, 0)

• (0, 1)

• (1, 0)

• (1, 1)

Multiple Choice

분류 모형의 성능을 평가할 때 사용되는 방법론 중 사후확률과 각 분류기준 값에 의해 혼동 행렬을 만든 다음 민감도와 1-특이도를 산출하여 도표에 도식화하여 평가하는 방식은 무엇인가?

• ROC 도표

• 이익도표

• AUROC

• 예측률

Multiple Choice

다음은 ROC(Receiver Operating Characteristic) 곡선에 대한 설명이다. 가장 올바르지 않은 것은?

• 가로 X축을 혼동 행렬의 1-특이도(거짓긍정률)로 두고 세로 Y축을 민감도(참긍정률)로 두어 그 관계를 시각화한 그래프이다.

• ROC 곡선이 왼쪽 상단(북서쪽 코너)에 가깝게 그려질수록 분류 모델의 성능이 우수함을 의미한다.

• ROC 곡선이 45도 각도의 직선에 가깝게 그려질수록 분류 모델의 성능이 우수함을 의미한다.

• 여러 분류 모델의 성능을 비교하기 위해서 이를 단일 지표로 계량화한 성능분석 척도 AUC(Area Under the Curve)를 이용할 수 있다.

Multiple Choice

다음 특징을 가지는 성능 평가 방법은?

==============================

• 혼동 행렬의 값에서 거짓 긍정률(FP)와 참 긍정률(TP) 사이의 관계를 표현

• 목표변수 범주 값 분류 시 긍정과 부정 범주의 변화 판단

• 기준값의 변화에 따른 참긍정과 거짓긍정 비율의 변화 분석

• 최소제곱법(Least Square Method)

• 회귀곡선(Regression Curve)

• 최대우도법(Maximum Likelihood Estimation)

• ROC(Receiver Operating Characteristic) 곡선

Multiple Choice

분류 모형을 평가하는 방법으로 랜덤 모델과 비교하여 해당 모델의 성과가 얼마나 향상되었는지를 각 등급별로 파악하는 그래프는 무엇인가?

• 향상도 곡선

• AUC 도표

• ROC 곡선

• 혼동 행렬

Multiple Choice

다음은 무엇에 관한 설명인가?

========================

• 여러 분류 모델의 성능을 비교하기 위해서 ROC 곡선을 단일 지표로 계량화한 성능분석 척도이다.

• ROC 곡선 아래의 면적을 의미하며, 분류 모델의 성능을 평가하기 위해 많이 사용된다.

• AUC(Area Under the Curve)

• ROC 도표

• 혼동 행렬

• 이익도표

Multiple Choice

이익도표(Lift Chart)를 작성함에 있어 평가도구 중 각 등급의 고객 중에서 해당 등급의 실제 구매자 수의 비율을 무엇이라 하는가?

• Baseline Lift(기본 향상도)

• % Captured Response(반응검출률)

• % Response(반응률)

• Lift(향상도)

Multiple Choice

다음 중 카파 통계량(Kappa Statistic)의 상관계수(K: Cohen's Kappa Coefficient)에 대한 설명으로 올바르지 않은 것은?

• 최초에 두 평가자가 일치하는지에 대한 척도로 개발

• 모델의 예측값과 실제값의 일치여부를 판정하는 통계량으로 사용

• 모형의 평가결과가 우연히 나온 결과가 아니며 그 평가의 유효성을 확보하는 지표로도 사용

• -1에서 1사이의 범위를 가짐

Multiple Choice

다음 특징을 가지는 모형의 성능 평가지표는?

====================================

• 모형의 예측값과 실제값이 우연히 일치할 확률을 제외하여 반영

• 0~1의 값을 가짐

• 0에 가까울수록 모형의 예측값과 실제값이 불일치

• 1에 가까울수록 모형의 예측값과 실제값이 일치

• 정확도(Accuracy)

• 카파 통계량(Kappa Statistic)

• 민감도(Sensitivity)

• 특이도(Specificity)

Multiple Choice

다음 특징을 가지는 성능 평가 방법은?

==============================

• 전체 데이터셋를 모델 훈련용과 평가용으로 분할

• 전체 데이터를 K개로 분할, 차례로 검증용으로 사용

• 전체 데이터셋을 훈련 데이터와 검증 데이터로 나누어 모델링

• 성능 평가를 K회 반복 수행, 성능 평가들에 대한 평균값 활용

• K-Fold 교차검증

• ROC 곡선

• AUC 면적

• 향상도 곡선

Multiple Choice

다음 중 회귀모형의 기본 평가지표에 대한 설명으로 가장 올바르지 않은 것은?

===============================================================

• SSE는 예측값과 실제값의 차이(오차)의 제곱합이다.

• MSE는 예측오차 제곱합들의 평균이다.

• MAE는 예측한 결과값들의 평균 오류이다.

• RMSE는 평균제곱오차(MSE)의 제곱근 값이다.

Multiple Choice

다음 중 회귀모형에 대한 평가지표의 계산식으로 올바르지 않은 것은?

• 오차제곱합(Error Sum of Square)은 $$\sum_{i=1}^n\left(y_i-\hat y_i\right)^2$$  이다

• 평균오차(Average Error)는 $$\frac{1}{n}\sum_{i=1}^n\left(y_i-\hat y_i\right)^{ }$$  이다.

• 평균제곱근오차(Root Mean Squared Error)은 $$\frac{1}{n}\sum_{i=1}^n\left(y_i-\hat y_i\right)^2$$  이다.

• 평균절대백분율오차(Mean Absolute Percentage Error)는 $$\frac{100}{n}\sum_{i=1}^n\left|\frac{y_i-\hat y_i}{y_i}\right|$$  이다.

Multiple Choice

회귀모형에 대한 평가지표 중에서 단순히 오차의 크기를 비교하는 것이 아니라 오차 평균의 크기가 크게 차이나는 모델들도 비교할 수 있는 지표는?

• RMSE(평균제곱근오차)

• MAE(평균절대오차)

• MAPE(평균절대백분율오차)

• MSE(평균제곱오차)

Multiple Choice

다음은 지도학습 모델의 일반적인 평가 기준에 관한 설명이다. 가장 올바른 설명은?

• 일반화 가능성: 같은 모집단 내에서 다른 데이터를 적용하는 경우에도 결과가 안정적이라면 일반화 가능성이 높다고 할 수 있다.

• 효율성: 적은 데이터를 필요로 할수록 효율성이 높다고 할 수 있다.

• 정확성 : 정확성에 다소 떨어져도 안정적이고 효율적 모형이라면 의미가 있다.

• 해석력 : 입력 데이터와 출력 결과와의 관계를 잘 설명하면 해석력이 높다고 할 수 있다.

Multiple Choice

분류 모형을 평가하기 위한 기준 중 같은 모집단 내의 다른 데이터에 적용하는 경우에도 안정적인 결과를 제공하는지와 데이터를 확장하여 적용할 수 있는지를 평가하는 기준으로 적절한 것은?

• 예측과 분류의 정확성

• 효율성

• 일반화 가능성

• 해석 가능성

Multiple Choice

일반적으로 군집화 결과와 비교할 목푯값이 없는 군집 모델의 성능 평가지표로 가장 적합한 것은?

• 랜드지수(Rand Index)

• 던 지수(Dunn Index)

• 카파 상관계수(Kappa Coefficient)

• 상호정보량(Mutual Information)

Multiple Choice

다음 중 데이터의 정규성 검정 방법에 대한 설명 중 가장 적합한 것은?

• R에서 데이터가 많은 경우는 shapiro.test()함수를 적은 경우는 ks.test() 함수를 이용한다.

• K-S 검정은 주어진 데이터가 어떤 특정한 분포를 따르는가를 기준이 되는 정규분포와 비교한다.

• 샤피로-윌크 검정은 기하분포를 따르는 데이터의 정규성 검정에는 사용할 수 없다.

• 정규성 검정의 통계적 방법으로 샤피로-윌크 검정, K-S 검정, 더빈 왓슨 검정을 이용한다.

Multiple Choice

다음은 데이터 {x}"의 정규성을 검정하기 위한 샤피로-윌크 검정에 대한 설명이다. 가장 적합 하지 않은 것은?

• 귀무가설(H₀)은 '데이터 $$\left\{x_i\right\}_{i=1\ }^n$$  는 정규분포를 따른다'이다.

• R에서 shapiro.test() 함수를 이용할 수 있다.

• 귀무가설의 유의확률(p-value)이 유의수준(a=0.05)보다 작다면, 주어진 데이터 $$\left\{x_i\right\}_{i=1\ }^n$$  는 정규분포를 따른다고 할 수 있다.

• 일반적으로 데이터가 적을 경우(n < 2,000)는 샤피로-윌크 검정을 실시하고, 데이터가 많으면 콜모고로프-스미르노프 적합성 검정(K-S 검정)을 사용한다.

Multiple Choice

R 함수를 이용하여 데이터의 정규성 검정 결과를 다음과 같은 그래프로 표현할 수 있는 검정 방법은?

• 샤피로-윌크 검정

• K-S 적합성 검정

• Q-Q Plot

• 카이제곱 검정

Multiple Choice

아래의 잔차도를 통한 잔차분석의 설명으로 가장 올바르지 못한 것은?

• 선형 회귀분석에서 선형성 가정을 확인하기 위해 잔차분석을 한다.

• 가로축은 종속변수, 세로축은 독립변수에 따른 잔차를 통해 잔차의 분산이 일정하다는 등분산성의 가정이 위배된다는 사실을 알 수 있다.

• 잔차의 분포가 2차 함수 형태를 따르게 되므로 회귀식은 2차 함수를 적용한 회귀식을 추정해야한다.

• 잔차 대 적합치를 표현한 그래프는 잔차의 분산은 일정하다는 가정을 확인하는데 사용된다.

Multiple Choice

다음 특징을 가지는 모형의 안정성 평가 방법은?

======================================

• 회귀모형이 옳다는 전제하에 이루어지며 데이터의 변화가 모형의 추정에 어떠한 영향을 미치는 지를 알아보는 것이다.

• 데이터에서 관측값을 하나씩 제거하는 방법으로 진행하며 분석 결과의 주요 부분에 많은 변동이 있다면 모형의 안정성은 약하다고 판단한다.

• 평가 방법으로 Cook's distance, DFBETAS, DFFITS, Leverage H 등이 있다.

• 모형진단

• 영향력 진단

• 교차검증

• 자료진단

Multiple Choice

다음 중 교차검증(Cross-validation)에 대한 설명으로 가장 옳지 않은 것은?

• 교차검증은 모델의 일반화 오류에 대해 신뢰할 수 있는 추정치를 구하기 위해 훈련, 평가 데이터를 기반으로 하는 검증 기법이다.

• LOOCV를 사용할 때 데이터셋에서 낭비되는 데이터는 없다.

• LOOCV의 측정 · 평가 비용은 K-Fold, 랜덤 서브샘플링과 비교하여 가장 저렴하다.

• 랜덤 서브샘플링은 모집단으로부터 조사의 대상이 되는 표본을 무작위로 추출하는 기법이다.

Multiple Choice

다음 중에서 전체 데이터에서 평가 데이터만큼 학습에 사용할 수 없어서 데이터 손실이 발생하는 교차검증 기법은?

• K-Fold Cross Validation

• Holdout Cross Validation

• Random Sub-Sampling

• LOOCV

Multiple Choice

다음 중 홀드 아웃 교차검증 기법에 대한 설명으로 적합하지 않은 것은?

• 일반적으로 5:5, 7:3 등의 비율로 데이터를 나누어 학습과 평가에 사용한다.

• 훈련 데이터는 모델을 구축을 위한 데이터이므로 평가 데이터보다 더 많아야 한다.

• 각 샘플들이 학습과 평가에 얼마나 많이 사용할 것인지 횟수를 제한하지 않아 특정 데이터만 학습되는 경우가 발생할 수 있다.

• 계산량이 많지 않아 모형을 쉽게 평가할 수 있으나 전체 데이터에서 평가분 만큼 학습에 사용할 수 없으므로 데이터 손실이 발생한다.

Multiple Choice

다음 중 부트스트랩(Bootstrap)을 설명한 것으로 가장 적합하지 않은 것은?

• 부트스트랩을 통해 100개의 샘플을 추출하더라도 샘플에 한 번도 선택되지 않는 원시(raw) 데이터가 발생할 수 있는데 전체 샘플의 약 36.8%가 해당된다.

• 주어진 자료에서 단순 랜덤 복원추출 방법을 활용하여 동일한 크기의 표본을 여러 개 생성 하는 샘플링 방법이다.

• 선택적 복원추출 기법으로, 전체 데이터에서 중복을 허용하지 않고 데이터 크기만큼 샘플을 추출하고 이를 학습 데이터로 한다.

• 전체 데이터 샘플이 N개이고 부트스트랩으로 N개의 샘플을 추출하는 경우, 특정 샘플이 학습 데이터에 포함될 확률은 약 63.2%이다.

Multiple Choice

다음은 모평균에 대한 유의성 검정에 대한 설명이다. 가장 옳지 않은 것은?

• 모분산(σ²)을 알고 있느냐 유무에 따라 Z-검정 또는 t-검정을 사용한다.

• 모분산을 알지 못해도 검정통계량의 분포를 정규분포로 근사할 수 있으면 Z-검정을 실시한다.

• 모평균만 알고 있으면 모분산을 알지 못해도 Z-검정을 실시한다.

• 모평균을 알고 있을 때 Z-검정, t-검정을 사용하여 유의성을 검정한다.

Multiple Choice

두 집단 간의 평균을 비교하는 모수적 통계 방법으로서 표본이 정규성, 등분산성, 독립성 등을 만족할 경우 적용하는 검정 방법은?

• F-검정

• 카이제곱 검정

• t-검정

• 분산분석

Multiple Choice

다음 중 적합도 검정(Goodness of Fit test)에 대한 설명으로 가장 올바르지 않은 것은?

• 적합도 검정 기법으로 샤피로-월크 검정, K-S 검정, 카이제곱 검정, Q-Q Plot이 있다.

• 적합도 검정은 표본 집합의 분포가 주어진 특정 이론을 따르고 있는지를 검정하는 기법이다.

• 정규성 검정은 R에서 sharpirowilk.test() 함수를 이용하여 검정할 수 있으며, 이때 귀무 가설은 "표본은 정규분포를 따른다"이다.

• 카이제곱 검정에서는 R에서 chisq.test 함수를 이용하여 나온 결과의 p-value가 유의수준 0.05보다 클 경우 관측된 데이터가 가정된 확률을 따른다고 할 수 있다.

Multiple Choice

다음 중 데이터 분석 모형의 오류에 대한 설명으로 가장 적절하지 않은 것은?

• 일반화 오류는 분석 모형을 만들 때 주어진 데이터 집합의 특성을 지나치게 반영하여 발생하는 오류이다.

• 일반화 오류는 과소 적합되었다고 한다.

• 일반화 오류는 주어진 데이터 집합은 모집단의 일부분임에도 불구하고 그것이 가지고 있는 주변적인 특성, 단순 잡음 등을 모두 묘사하기 때문에 일반화 오류가 발생한다.

• 학습 오류는 주어진 데이터 집합에 부차적인 특성과 잡음이 있다는 점을 고려하여 그것의 특성을 덜 반영하도록 분석 모형을 만들어 생기는 오류이다.

Multiple Choice

모형을 개발하여 운영 상황에서 실제 테스트를 할 때 모형 개발 데이터를 통해서는 높은 적중률을 보이지만 테스트 데이터에서는 적중률이 떨어져 적중률을 유지하지 못하는 것을 무엇이라고 하는가?

• 일반화

• 과대적합

• 미적합

• 과소평가

Multiple Choice

다음 그림은 사용된 예측 모형 함수가 학습 데이터셋 상의 모든 데이터를 오차가 없이 추정하는 예이다. 이 경우 발생할 수 있는 현상은?

• 미적합

• 과소적합

• 일반화

• 과대적합

Multiple Choice

다음 중 과대적합(overfitting)의 발생 원인에 대한 설명으로 가장 부적절한 것은?

• 과대적합이 발생할 것으로 예상되면 학습을 종료하고 업데이트 하는 과정을 반복해 과적합을 방지할 수 있다.

• 과대적합은 분석 변수가 너무 많이 존재하고 분석 모델이 복잡할 때 발생한다.

• 분석 데이터가 모집단의 특성을 설명하지 못하면 발생한다.

• 생성된 모델은 분석 데이터에 최적화되었기 때문에 훈련 데이터의 작은 변화에 민감하게 반응하는 경우는 발생하지 않는다.

Multiple Choice

다음 중 과대적합(overfitting)에 대한 설명으로 가장 부적절한 것은?

• 과대적합은 제한된 학습 데이터셋에 너무 과하게 특화되어 새로운 데이터에 대한 오차가 매우 커지는 현상이다.

• 과대적합을 방지하기 위해 데이터셋 증가, 모델 복잡도 감소, 가중치 규제, 드롭아웃 방법을 적용한다.

• 가중치 규제는 개별 가중치 값을 제한하여 복잡한 모델을 좀 더 간단하게 하는 방법으로 종류는 P1 규제와 P2 규제가 있다.

• 드롭아웃은 학습 과정에서 신경망 일부를 사용하지 않는 방법이다.

Multiple Choice

다음은 드롭아웃 기법에 대한 설명이다. 가장 올바르지 않은 것은?

• 신경망 학습 시에만 사용하고, 예측 시에는 사용하지 않는다.

• 일반 신경망의 은닉층(Hidden Layer)의 뉴런을 무작위로 골라 삭제하며, 삭제된 뉴런은 신호를 전달하지 않는다.

• 뉴런을 임의로 삭제하여 적은 수의 뉴런만으로 지정된 레이블을 맞추도록 훈련하는 것이다.

• 적은 수의 뉴런만으로 학습을 하므로 학습 시간이 오래 걸리지 않는다는 장점이 있다.

Multiple Choice

다음 중 기울기 방향으로 힘을 받으면 물체가 가속된다는 물리 법칙을 적용한 알고리즘을 뜻하는 용어는 무엇인가?

• AdaGrad(Adaptive Gradient Algorithm)

• 모멘텀(Momentum)

• Adam(Adaptive Moment Estimation)

• 확률적 경사 하강법(Stochastic Gradient Descent)

Multiple Choice

다음 중 매개변수 최적화에 대한 설명으로 가장 올바르지 않은 것은?

• 매개변수 최적화는 학습 모델과 실제 레이블과의 차이를 손실함수로 표현하며, 학습의 목적은 오차, 손실함수의 값이 최대한 작도록 하는 매개변수(가중치, 편향)를 찾는 것이다.

• 매개변수 최적화에는 2차원(x축 가중치와 y축 손실 값) 손실함수 그래프를 이용한다.

• 매개변수의 종류에는 하나의 뉴런에 입력된 모든 값을 다 더한 가중값에 더해주는 상수인 가중치(Weight)와 각 입력값에 각기 다르게 곱해지는 수치인 편향(Bias)가 있다.

• 매개변수 최적화 기법에는 경사 하강법을 기반으로 한 방법들, 모멘텀 방식을 도입한 학습 방법, 그 외 AdaGrad, RMSProp, Adam 등이 있다.

Multiple Choice

다음에서 설명하는 매개변수 최적화 기법을 가장 잘 나타낸 것은 무엇인가?

============================================================

• 손실 함수의 기울기가 큰 첫 부분에서는 크게 학습하다가 최적점에 가까워질수록 학습률을 줄여 조금씩 적게 학습하는 방식이다.

• 학습을 진행하면서 학습률을 점차 줄여나가는 학습률 감소 기법을 적용한 최적화 알고리즘이다.

• 매개변수 전체의 학습률 값을 일괄적으로 낮추는 것이 아니라 각각의 매개변수에 맞는 학습률 값을 만들어주는 방식이다.

• AdaGrad(Adaptive Gradient Algorithm)

• 모멘텀(Momentum)

• Adam(Adaptive Moment Estimation)

• 확률적 경사하강법(Stochastic Gradient Descent)

Multiple Choice

다음 중 분석 모형 융합을 위한 방법으로 가장 올바르지 않은 설명은?

• 다수결(Majority Voting)은 여러 모형에서 출력된 결과를 종합하여 다수결로 나온 모형을 최종 모형으로 설정하는 방법이다.

• 에이다 부스팅(AdaBoosting) 모형은 분류/회귀 문제에 상관없이 개별 멤버 모형으로 회귀분석 모형을 사용한다.

• 부스팅(Boosting) 방법은 미리 정해진 개수의 모형 집합을 사용하는 것이 아니라 하나의 모형에서 시작하여 모형 집합에 포함할 개별 모형을 하나씩 추가하는 방식이다.

• 배깅(Bagging)은 학습 데이터의 중복을 허용하며 학습 데이터셋 분할 기법으로 복원추출 하는 방법이다.

Multiple Choice

음 의사결정트리의 특징인 분산이 크다는 점을 고려하여 더 많은 무작위성을 주어 여러 개의 약한 학습기(의사결정트리 모형)들을 생성한 후 이를 선형 결합하여 최종 학습기를 만드는 방법으로 가장 적합한 것은?

• 배깅(Bagging)

• 랜덤 포레스트(Random Forest)

• 부스팅(Boosting)

• 보팅(Voting)

Multiple Choice

다음 중 최종모형 선정 과정으로 올바른 것은?

• 최종모형 평가기준 선정 → 최종모형 분석결과 검토 → 분석알고리즘 결과 비교 → 챔피언 모델 등록

• 챔피언 모델 등록 → 최종모형 평가기준 선정 → 최종모형 분석결과 검토 → 분석알고리즘 결과 비교

• 최종모형 평가기준 선정 → 분석알고리즘 결과 비교 → 최종모형 분석결과 검토 → 챔피언 모델 등록

• 챔피언 모델 등록 → 최종모형 평가기준 선정 → 분석알고리즘 결과 비교 → 최종모형 분석 결과 검토