𝑁𝑜𝑡𝑒𝑏𝑜𝑜𝑘

[ 목차 ]  샘플링 (sampling): 머신러닝에서 데이터 불균형 문제를 해결하기 위해 다양한 샘플링 기법을 사용 종류 1️⃣ 오버샘플링 (OverSampling)2️⃣ 언더샘플링 (UnderSampling)3️⃣혼합 샘플링 ( Over + Under ) 1️⃣ 오버샘플링 (OverSampling): 소수 클래스의 데이터를 증가시켜 균형을 맞추는 기법(예 : 허위매물이 적은 경우, 허위매물 데이터를 인위적으로 생성) 주요 기법Random OverSampling 소수 클래스 샘플을 단순 복제장점 : 쉽고 빠름단점 : 중복 데이터로 과접합 위험SMOTE (Synthetic Minority Over-sampling Technique)최근접 이웃(KNN) 기반으로 새로운 데이터 생성데이터 다양성이 증가중복 ..

[ 목차 ] 랜덤포레스트의 주요 하이퍼파라미터n_estimators : 트리 개수너무 적으면 과소적합, 너무 많으면 학습 시간이 길어짐기본값 : 100max_depth : 트리의 최대 깊이너무 깊으면 과적합, 너무 얕으면 과소적합기본값 : 제한 없음max_features : 사용할 최대 변수 개수변수 개수 제한분류에서는 sqrt변수 간 상관성 고려min_samples_split : 노드 분할 최소 샘플 수기본 값 : 2min_samples_leaf : 리프 노드 최소 샘플 수기본 값 : 1 데이터 분리논문 참고 https://sejong.dcollection.net/public_resource/pdf/200000630803_20250126185853.pdf# 예제 코드from sklearn.model_s..