반응형 머신러닝2 XGBoost 파라미터 조정(튜닝) 파라미터 조정은 기계 학습에서 쉽지 않은 영역이며, 모델의 최적 파라미터는 여러 시나리오에 따라 달라질 수 있습니다. 따라서 이를 위한 정형화되어 있는 포괄적인 가이드를 만드는 것은 사실상 불가능합니다. 이번 포스팅에서는 XGBoost 파라미터에 대한 몇 가지 지침을 제공하려고 합니다. 본 포스팅은 XGBoos의 홈페이지에 있는 내용을 기반으로 작성하였습니다. 편향-분산 트레이드오프에 대한 이해 머신 러닝이나 통계 수업을 수강한다면 반드시 이해하셔야 할 가장 중요한 개념 중 하나입니다. 기계학습에서의 파라미터 조정은 편향-분산의 트레이드오프라고 말할 수 있습니다. 모델이 더 복잡해지도록 허용하면(예: 더 깊이) 모델이 훈련 데이터를 더 잘 맞출 수 있어 편향된 모델이 덜 생깁니다. 그러나 이러한 복잡한 .. 2021. 9. 1. R에서 XGBoost 알고리즘 적용을 위한 데이터세트 이해하기 본 포스팅은 XGBoost 패키지 홈페이지에 있는 자료를 기반으로 작성하였습니다. Introduction 이 포스팅의 목적은 XGBoost를 사용하여 분석을 위한 데이터 세트를 더 잘 탐색하고 이해하는 방법을 보여 주는 것입니다. 이 포스팅은 아무것도 예측하는 것이 아닙니다. XGBoost를 사용하여 데이터의 기능과 결과 간의 연결을 강조하는 방법을 설명합니다. if (!require('xgboost')) install.packages('xgboost') require(Matrix) require(data.table) if (!require('vcd')) install.packages('vcd') (※ VCD 패키지는 포함된 데이터 세트 중 하나에만 사용됩니다.) 데이터 세트 준비 숫자형 변수 VS 범주.. 2021. 8. 31. 이전 1 다음 반응형
