728x90 XGBoost원리1 [PYTHON] Ensemble 기법의 3가지 핵심 Bagging, Boosting, Stacking 차이와 편향-분산 해결 방법 머신러닝 모델의 성능을 극한으로 끌어올리기 위한 가장 강력한 무기는 단연 앙상블(Ensemble) 기법입니다. 단일 모델이 가진 한계를 극복하기 위해 여러 모델의 예측을 결합하는 이 방식은, 단순히 성능을 높이는 것을 넘어 모델의 안정성을 결정짓는 편향(Bias)과 분산(Variance)의 관계를 근본적으로 재정의합니다. 본 포스팅에서는 현대 데이터 사이언스의 핵심인 Bagging, Boosting, Stacking의 세 가지 메커니즘을 수학적 관점에서 분석하고, 각각이 어떻게 편향과 분산을 제어하여 일반화 성능을 극대화하는지 심층적으로 다룹니다.1. 모델 성능의 본질: 편향-분산 트레이드오프 (Bias-Variance Trade-off)앙상블의 가치를 이해하기 위해서는 먼저 모델 에러의 구성을 이해해야.. 2026. 4. 28. 이전 1 다음 728x90
